Langzeitvisuelle Verfolgung hat aufgrund ihrer stärkeren Relevanz für praktische Anwendungen zunehmend an Aufmerksamkeit gewonnen, verglichen mit der Kurzzeitverfolgung. Die meisten führenden Langzeitverfolgungsalgorithmen basieren auf offline-getrainierten Siamese-Architekturen, wodurch sie von den bedeutenden Fortschritten bei Kurzzeitverfolgern mit Online-Updates nicht profitieren können. Die direkte Einführung von Online-Update-basierten Verfolgern zur Lösung des Langzeitproblems ist jedoch recht riskant, bedingt durch die langfristig unsicheren und verrauschten Beobachtungen. In dieser Arbeit stellen wir einen neuartigen offline-getrainierten Meta-Updater vor, um ein wichtiges, bisher ungelöstes Problem zu adressieren: Ist der Verfolger in dem aktuellen Frame bereit zum Aktualisieren? Der vorgeschlagene Meta-Updater integriert effektiv geometrische, diskriminative und appearancesbezogene Merkmale sequenziell und nutzt ein speziell entworfenes kaskadiertes LSTM-Modul, um sequenzielle Informationen zu erschließen. Der Meta-Updater lernt eine binäre Ausgabe, die die Aktualisierung des Verfolgers leitet, und kann problemlos in verschiedene Verfolgungsalgorithmen integriert werden. Darüber hinaus wird ein umfassendes Langzeitverfolgungssystem vorgestellt, bestehend aus einem Online-Local-Tracker, einem Online-Verifier, einem SiamRPN-basierten Neuerkennungssystem und unserem Meta-Updater. Umfangreiche experimentelle Ergebnisse auf den Benchmarks VOT2018LT, VOT2019LT, OxUvALT, TLP und LaSOT zeigen, dass unser Verfolger signifikant besser abschneidet als andere konkurrierende Algorithmen. Das Projekt ist unter folgender Webseite verfügbar: https://github.com/Daikenan/LTMU.