El seguimiento de múltiples objetos (MOT) es una tarea intermedia clave en muchas aplicaciones prácticas y campos teóricos, enfrentando desafíos significativos debido a escenarios complejos, particularmente en el contexto de operaciones militares aéreas a tierra basadas en drones. Durante el vuelo del dron, factores como entornos de gran altitud, proporciones de objetivos pequeños, movimientos irregulares de los objetivos y oclusiones frecuentes complican la tarea de seguimiento de múltiples objetos. Este documento propone un método de seguimiento de múltiples objetos entre escenas (CST) para abordar estos desafíos. En primer lugar, se propone un marco de detección de objetos ligero para optimizar sub-tareas clave mediante la integración de información temporal y espacial multidimensional. En segundo lugar, la predicción de trayectorias se logra a través de la implementación de Aprendizaje Meta-Agnóstico, mejorando la adaptabilidad a entornos dinámicos. En tercer lugar, la re-identificación se facilita utilizando la Teoría de Dempster-Shafer, que gestiona eficazmente las incertidumbres en el reconocimiento de objetivos al incorporar información sobre el estado de la aeronave. Finalmente, se introduce un nuevo conjunto de datos, denominado Conjunto de Datos de Detección y Seguimiento de Drones de Multi-Información (MIDDTD), que contiene rica información relacionada con drones y escenas diversas, proporcionando así una base sólida para la validación de algoritmos de seguimiento de múltiples objetos entre escenas. Los resultados experimentales demuestran que el método propuesto mejora la métrica de seguimiento IDF1 en un 1.92% en comparación con los métodos existentes de última generación, mostrando una fuerte adaptabilidad entre escenas y ofreciendo una solución efectiva para el seguimiento de múltiples objetos desde la perspectiva de un dron, avanzando así el apoyo teórico y técnico para campos relacionados.