In dieser Arbeit stellen wir ein neuartiges adaptives räumlich regulärisiertes Korrelationsfiltermodell (ASRCF) vor, das gleichzeitig die Filterkoeffizienten und das räumliche Regulierungsgewicht optimiert. Zunächst ermöglicht unser adaptives räumliches Regularisierungsschema die Lernung eines effektiven räumlichen Gewichts für ein spezifisches Objekt sowie dessen Erscheinungsvariationen, wodurch zuverlässigere Filterkoeffizienten im Verlauf des Verfolgungsprozesses entstehen. Zweitens kann unser ASRCF-Modell effizient mittels der Methode der alternierenden Richtungen von Multiplikatoren (ADMM) optimiert werden, wobei jedes Teilproblem eine geschlossene Lösung besitzt. Drittens wendet unser Verfolger zwei Arten von Korrelationsfiltermodellen an, um jeweils die Position und die Skala zu schätzen. Das Positions-CF-Modell nutzt Ensembles aus flachen und tiefen Merkmalen, um die optimale Position präzise zu bestimmen. Das Skalen-CF-Modell arbeitet mit mehrskaligen flachen Merkmalen, um die optimale Skala effizient zu schätzen. Umfassende Experimente auf fünf aktuellen Benchmark-Datensätzen zeigen, dass unser Verfolger gegenüber vielen state-of-the-art-Algorithmen überzeugt und dabei eine Echtzeit-Leistung von 28 fps erreicht.