En el dominio submarino donde operan los Vehículos Submarinos Autónomos (AUVs), las mediciones pueden verse afectadas por la presencia de valores atípicos y ruido no gaussiano. Estos factores pueden socavar potencialmente la eficacia de los algoritmos de navegación integrada. El Criterio de Correntropía Máxima (MCC) puede ser utilizado para mejorar la robustez de los algoritmos de navegación integrada de AUV a través de la construcción y maximización de la función de correntropía. No obstante, el entorno submarino a veces presenta ruido desconocido variable en el tiempo, una situación para la cual el MCC carece de adaptabilidad. En respuesta a este problema, nuestro estudio introduce un nuevo algoritmo de navegación integrada que combina el MCC y el enfoque Bayesiano Variacional, mejorando así tanto la robustez como la adaptabilidad del sistema. Inicialmente, implementamos el MCC junto con una función de núcleo mixto en un Filtro de Kalman Unscented (UKF) para fortalecer la robustez de los algoritmos de navegación integrada de AUV en medio de las complejidades inherentes a las condiciones ambientales submarinas. Además, utilizamos el método Bayesiano Variacional para refinar la aproximación de la covarianza del ruido de medición, mejorando así la adaptabilidad del algoritmo a escenarios fluctuantes. Evaluamos el rendimiento de nuestro algoritmo propuesto utilizando conjuntos de datos de simulación y pruebas en el mar. Los resultados experimentales revelan una mejora significativa en el Error Cuadrático Medio de la Raíz (RMSE) y la precisión de navegación de nuestro algoritmo propuesto. Notablemente, en un entorno de ruido complejo, nuestro algoritmo logra, aproximadamente, una mejora del 50% en la precisión de navegación en comparación con otros algoritmos establecidos.