La red celular 5G se espera que proporcione una plataforma de servicio central para la expansión del Internet de las cosas (IoT) al admitir la banda ancha móvil mejorada (eMBB), la comunicación masiva de tipo máquina (mMTC) y las comunicaciones ultra confiables de baja latencia (URLLC). Los vehículos aéreos no tripulados (UAV), también conocidos como drones, proporcionan servicios civiles, comerciales y gubernamentales en varios campos. Especialmente en un escenario de IoT 5G, las comunicaciones de red asistidas por UAV desempeñarán un papel cada vez más importante y requerirán el seguimiento de múltiples objetivos de UAV. Dado que los UAV se mueven rápidamente, mantener la estabilidad de la conexión de comunicación en 5G será un desafío. Por lo tanto, es necesario rastrear la trayectoria de los UAV. En la actualidad, el filtro GM-PHD tiene un problema en el que se debe conocer la intensidad del nuevo objetivo, y no puede obtener la trayectoria del objetivo móvil y la influencia del desorden puede causar falsas alarmas. En este trabajo se propone un filtro UAV-PHD para mejorar el filtro GM-PHD tradicional aplicando aprendizaje automático a la detección de emergencias y al seguimiento de trayectorias de objetivos de UAV. A continuación, se presenta un algoritmo de detección fuera de la vista para múltiples UAV para mejorar el rendimiento de seguimiento. El método se evalúa mediante simulación utilizando MATLAB, y la distancia OSPA se utiliza como indicador de evaluación. Los resultados de la simulación ilustran que el método propuesto puede aplicarse al seguimiento de múltiples objetivos de UAV en futuros escenarios de 5G-IoT, y el rendimiento es superior al del filtro GM-PHD tradicional.