现有的跟踪方法主要致力于学习更优的目标表征或构建更具鲁棒性的预测模型，以提升跟踪性能。尽管跟踪性能已显著提升，但在跟踪失败、目标完全遮挡或目标移出视野等情况下，目标丢失问题仍频繁发生。然而，针对跟踪方法自身恢复能力的研究却相对不足，而这一能力对于实际应用至关重要。为此，本文提出一种可恢复性跟踪框架——RTracker，该框架采用树状结构记忆模块，动态关联跟踪器与检测器，从而实现自我恢复能力。具体而言，我们设计了一种正负样本树状记忆结构（Positive-Negative Tree-structured Memory），用于按时间顺序存储并维护正负目标样本。基于该PN树状记忆结构，我们制定了相应的状态判断规则，并定义了一套控制流程，以在不同跟踪场景下协同调度跟踪器与检测器。本文的核心思想是利用正负目标类别的支持样本，建立基于相对距离的判别准则，从而实现对目标丢失的可靠判断。在多个具有挑战性的基准测试中，所提方法相较于当前最先进算法展现出优越的性能，充分验证了该算法的有效性。