Nous proposons une nouvelle méthode de Sélection de Caractéristiques par Groupes pour les Filtres de Corrélation Discriminants (GFS-DCF) dans le cadre du suivi visuel d'objets. L'innovation clé de cette méthode réside dans la sélection de caractéristiques par groupes à travers les dimensions spatiales et canaliques, permettant ainsi d'identifier la pertinence structurelle des caractéristiques multicanaliques pour le système de filtrage. Contrairement aux méthodes de régularisation spatiale ou de sélection de caractéristiques largement utilisées, il s'agit, selon nos connaissances, de la première fois que la sélection de canaux est promue pour le suivi basé sur DCF. Nous démontrons que notre méthode GFS-DCF est capable d'améliorer considérablement les performances d'un traceur DCF équipé de caractéristiques issues des réseaux neuronaux profonds. De plus, notre GFS-DCF permet une sélection conjointe des caractéristiques et un apprentissage des filtres, ce qui améliore la discrimination et l'interprétabilité des filtres appris.Pour améliorer encore davantage les performances, nous intégrons de manière adaptative les informations historiques en contraintant les filtres à être lisses entre les trames temporelles, en utilisant une approximation efficace de faible rang. Par conception, des configurations spécifiques temporelles-spatiales-canales sont apprises dynamiquement au cours du processus de suivi, mettant en évidence les caractéristiques pertinentes et atténuant l'impact négatif sur les performances des représentations moins discriminantes tout en réduisant la redondance d'information. Les résultats expérimentaux obtenus sur OTB2013, OTB2015, VOT2017, VOT2018 et TrackingNet démontrent les avantages de notre GFS-DCF et sa supériorité par rapport aux traceurs d'avant-garde actuels. Le code source est disponible publiquement sur https://github.com/XU-TIANYANG/GFS-DCF.