La probabilidad de detección es un parámetro importante en el seguimiento multitarget multisensor. Los filtros existentes de Bernoulli múltiple multisensor (MS-MeMBer) y de densidad de probabilidad cardinalizada multisensor (MS-CPHD) requieren que la probabilidad de detección sea a priori. Sin embargo, en realidad, el valor de la probabilidad de detección está cambiando constantemente debido a la influencia de los sensores, objetivos y otras características ambientales. Por lo tanto, para mitigar el deterioro del rendimiento causado por la falta de coincidencia de la probabilidad de detección, este artículo aplica la distribución de mezcla gaussiana inversa gamma (IGGM) tanto al filtro MS-MeMBer como al filtro MS-CPHD. Específicamente, se asume que la característica utilizada para la detección sigue la distribución gamma inversa y es estadísticamente independiente de la posición espacial del objetivo. Luego, la característica se integra en el estado del objetivo para estimar de manera iterativa la probabilidad de detección del objetivo, así como el estado de movimiento. Los resultados experimentales demuestran que los métodos propuestos pueden lograr un mejor rendimiento de filtrado en escenarios con probabilidad de detección desconocida y cambiante. También se muestra que la distribución de los sensores tiene una influencia vital en la precisión del filtrado, y los filtros funcionan mejor cuando los sensores están dispersos en el área de monitoreo.