En la investigación de seguimiento de objetivos aéreos, los escenarios complejos imponen demandas extremadamente altas sobre la precisión y robustez de los algoritmos de seguimiento. Aunque los algoritmos de seguimiento de objetivos existentes han logrado un buen rendimiento en escenarios generales, todos ellos ignoran la correlación entre la información contextual hasta cierto punto, y la manipulación entre características agrava la pérdida de información, lo que lleva a la degradación de la precisión y robustez, especialmente en el campo del seguimiento de objetivos de UAV. En respuesta a esto, proponemos un nuevo rastreador ligero basado en Siamés, SiamCTCA. Su innovadora estrategia de agregación cruzada temporal y tres redes de fusión de correlación de características juegan un papel clave, en las cuales el embebido multietapa del Transformer logra la fusión de información entre ramas con la ayuda de los módulos de Transformer de visión interactiva intertemporal para integrar de manera eficiente diferentes niveles de características, y el mecanismo de fusión multidimensional residual de avance reduce la pérdida de información al introducir residuos para hacer frente a los cambios dinámicos en la región de búsqueda; y la red de agregación de filtro de significancia de respuesta suprime el problema de amplificación de ruido superficial de las redes neuronales. Los módulos se confirman como efectivos después de experimentos de ablación y comparación, lo que indica que el rastreador exhibe un excelente rendimiento de seguimiento, y con velocidades de seguimiento más rápidas que otros rastreadores, estos pueden ser mejor desplegados en el campo de un UAV como plataforma.