判别相关滤波器（Discriminative Correlation Filters, DCF）在视觉跟踪中表现出高效性，但存在不希望出现的边界效应。为了缓解这一问题，提出了空间正则化DCF（Spatially Regularized DCF, SRDCF），通过在DCF系数上施加空间惩罚来改善跟踪性能，然而这不可避免地增加了复杂度。为了解决在线更新的问题，SRDCF在其模型中使用了多张训练图像，进一步增加了提高效率的难度。在本研究中，我们通过引入时间正则化到单样本SRDCF中，提出了一种时空正则化相关滤波器（Spatial-Temporal Regularized Correlation Filters, STRCF）。受在线被动攻击算法（Passive-Aggressive algorithm, PA）的启发，我们将时间正则化引入到单样本SRDCF中，从而形成了我们的STRCF。STRCF的公式不仅能够作为多训练样本SRDCF的一个合理近似，而且在外观变化较大时提供比SRDCF更稳健的外观模型。此外，它可以通过交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）高效求解。通过结合时间和空间正则化，我们的STRCF能够在不显著降低效率的情况下处理边界效应，并在准确性和速度方面超越SRDCF。实验在三个基准数据集上进行：OTB-2015、Temple-Color 和 VOT-2016。与SRDCF相比，使用手工特征的STRCF提供了5倍的速度提升，并分别在OTB-2015和Temple-Color数据集上提高了5.4%和3.6%的AUC分数。此外，结合卷积神经网络（Convolutional Neural Network, CNN）特征的STRCF也优于现有的基于CNN的跟踪器，并在OTB-2015数据集上达到了68.3%的AUC分数。