La aplicación del seguimiento de objetos extendido (EOT) en vehículos aéreos no tripulados (UAV) ha ganado cada vez más atención en los últimos años. Sin embargo, el EOT a menudo se ve afectado por ruido de medición de cola pesada debido a valores atípicos, que pueden ser causados por factores como la interferencia de UAV o la oclusión parcial del objeto. La distribución t de Student (STD) se adopta ampliamente para modelar este tipo de ruido, y la precisión de la estimación del EOT depende en gran medida del conocimiento previo del ruido. Aunque los métodos existentes suelen asumir que dicho conocimiento previo está disponible, esta suposición a menudo falla en la práctica. Además, el hecho de que se estime el posterior del ruido de medición conduce a un acoplamiento. Este acoplamiento, que no puede resolverse adecuadamente con los métodos existentes, impide la derivación directa de la inferencia bayesiana variacional (VB). Proponemos un enfoque de EOT adaptativo que emplea un modelo de desacoplamiento para abordar los valores atípicos desconocidos en el seguimiento de UAV. Luego, se propone un nuevo modelo de distorsión dual-extendido desde el campo de visión del sensor para abordar el acoplamiento. Posteriormente, la verosimilitud de la medición se formula como una estructura jerárquica, donde los grados de libertad (DoF) y la matriz de covarianza del ruido de medición (MNCM) se modelan mediante distribuciones Gamma e inversa Wishart (IW), respectivamente. La estructura jerárquica permite que el modelo tenga en cuenta las características del ruido desconocido. Basado en estos modelos, derivamos un enfoque recursivo para la estimación. Finalmente, se valida el rendimiento del enfoque propuesto con conjuntos de datos simulados y del mundo real. Los resultados demuestran la superior efectividad y robustez de nuestro enfoque.