El registro espacial es un requisito previo para la fusión de datos. Los métodos existentes se centran principalmente en escenarios de sensores similares y se basan en suposiciones precisas de asociación de datos. Para abordar el registro de sensores heterogéneos en escenarios de asociación de datos complejos, este artículo propone un algoritmo basado en la densidad de hipótesis de probabilidad de mezcla gaussiana (GM-PHD) para el registro de sesgo de sensores heterogéneos, acompañado de un algoritmo de actualización iterativa de medidas adaptativas. En primer lugar, mediante la construcción de modelos de movimiento de estado de objetivo ampliado y modelos de medidas, se deriva una expresión en forma cerrada para la predicción basada en mezcla gaussiana (GM). En la actualización posterior, se utiliza un filtro de Kalman de dos niveles para lograr una estimación desacoplada aproximada del estado del objetivo y el sesgo de medida, teniendo en cuenta el acoplamiento entre ellos a través de pseudo-verosimilitud. Especialmente, para sensores heterogéneos que no pueden utilizar directamente técnicas de actualización secuencial, primero se realizan actualizaciones secuenciales en sensores que pueden obtener medidas completas, seguidas de actualizaciones de filtrado utilizando técnicas de actualización secuencial de filtro de Kalman extendido (EKF) para medidas incompletas. Cuando hay diferencias en la calidad del sensor, el filtro de fusión GM-PHD basado en la actualización iterativa de medidas es sensible a la secuencia. Por lo tanto, se utiliza la métrica de asignación de subpatrones óptima (OSPA) para optimizar el orden de fusión y mejorar el rendimiento del registro. Los algoritmos propuestos extienden el algoritmo de registro espacial basado en información de múltiples objetivos a escenarios de sensores heterogéneos y abordan el impacto de diferentes órdenes de filtrado de sensores en el rendimiento del registro. Nuestros algoritmos propuestos mejoran significativamente la precisión de la estimación de sesgo en comparación con el algoritmo de registro basado en objetivos significativos. Bajo diferentes probabilidades de detección e intensidades de desorden, el error cuadrático medio raíz promedio (RMSE) de los sesgos de distancia y ángulo disminuyó en un 11,8% y un 8,6%, respectivamente.