El seguimiento de objetos visuales es un tema de investigación importante en el campo de la visión por computadora. El método de seguimiento-aprendizaje-detección (TLD) descompone el problema de seguimiento en tres módulos: seguimiento, aprendizaje y detección, lo que proporciona ideas efectivas para resolver el problema de seguimiento. Para mejorar el rendimiento de seguimiento del rastreador TLD, se proponen tres mejoras en este documento. El módulo de seguimiento incorporado se reemplaza con un algoritmo de filtro de correlación kernelizado (KCF) basado en el descriptor de histograma de gradientes orientados (HOG) en el módulo de seguimiento. Se añade detección de fallos para la respuesta de KCF para identificar si KCF pierde el objetivo. Se obtiene un área de detección más específica del módulo de detección a través de la ubicación estimada proporcionada por el módulo de seguimiento. Con las operaciones anteriores, se reduce el área de escaneo de detección de objetos, y se requiere una búsqueda de fotograma completo en el módulo de detección si los objetos no pueden ser rastreados en el módulo de seguimiento. Se realizaron experimentos comparativos en el banco de pruebas de seguimiento de objetos (OTB) y los resultados mostraron que la velocidad y precisión de seguimiento mejoraron. Además, el rastreador TLD tuvo un mejor desempeño en diferentes escenarios desafiantes con el método propuesto, como el desenfoque de movimiento, la oclusión y los cambios ambientales. Además, el TLD mejorado logró un rendimiento de seguimiento sobresaliente en comparación con algoritmos de seguimiento comunes.