El seguimiento de objetos visuales con vehículos aéreos no tripulados (VANT) en condiciones de poca luz es un componente crucial para aplicaciones como la vigilancia nocturna, búsquedas en interiores, combate nocturno y seguimiento en todas las condiciones climáticas. Sin embargo, la mayoría de los algoritmos de seguimiento existentes están diseñados para condiciones de iluminación óptimas. En entornos de poca luz, las imágenes capturadas por los VANT suelen presentar un contraste, brillo y relación señal-ruido reducidos, lo que dificulta la extracción de características del objetivo. Además, la apariencia del objetivo en secuencias de video de VANT en condiciones de poca luz a menudo cambia rápidamente, lo que hace que los mecanismos de seguimiento de plantillas fijas sean inadecuados y resulta en una baja precisión y robustez del rastreador. Este estudio presenta un algoritmo de seguimiento de objetos de VANT en condiciones de poca luz (SiamLT) que aprovecha la mejora de características de imagen y una red siamés de actualización dinámica de plantillas. Inicialmente, el algoritmo emplea un marco de filtrado de ruido iterativo mejorado por un potenciador de poca luz para aumentar las características de las imágenes en condiciones de poca luz antes de la extracción de características. Esto asegura que las características extraídas posean características críticas del objetivo y mínima información de interferencia de fondo. Posteriormente, el mecanismo de seguimiento de plantillas fijas, que carece de adaptabilidad, se mejora mediante la actualización dinámica de la plantilla de seguimiento a través de la fusión de las plantillas de referencia y base. Esto mejora la capacidad del algoritmo para abordar los desafíos asociados con los cambios de características. Además, se utiliza la Energía Promedio de Pico a Correlación (APCE) para filtrar las plantillas, mitigando la interferencia de plantillas de baja calidad. Se realizaron pruebas de rendimiento en varios conjuntos de datos de video de VANT en condiciones de poca luz, incluidos UAVDark135, UAVDark70, DarkTrack2021, NAT2021 y NAT2021L. Los resultados experimentales respaldan la eficacia del algoritmo propuesto en tareas de seguimiento de objetos de VANT en condiciones de poca luz.