Este documento aborda el problema del seguimiento de múltiples objetivos con sensores superposicionales, mientras que las matrices de covarianza del ruido de medición no son conocidas. El método propuesto se basa en el filtro de densidad de hipótesis de probabilidad cardinalizada multi-Bernoulli híbrido (HMB-CPHD), que ha sido desarrollado para el seguimiento de múltiples objetivos basado en sensores superposicionales con ruidos de medición conocidos. Específicamente, primero proponemos la implementación de mezcla gaussiana (GM) del filtro HMB-CPHD, y luego las matrices de covarianza de los ruidos de medición se incorporan en el vector de estado del objetivo, lo que resulta en la representación de mezcla gaussiana e inversa de Wishart (GIWM) del estado aumentado. Luego, se explota el método bayesiano variacional (VB) para aproximar la distribución posterior de modo que mantenga la misma forma que la distribución previa. Una característica notable del método propuesto es que puede realizar conjuntamente el seguimiento de múltiples objetivos y la estimación de la covarianza del ruido de medición. El rendimiento del algoritmo propuesto se demuestra a través de simulaciones.