Este trabajo introduce una novedosa técnica de tolerancia a fallos para la fusión de datos en Vehículos Aéreos no Tripulados (UAVs), diseñada para abordar fallos en los sensores a través de un marco basado en aprendizaje profundo. A diferencia de los métodos tradicionales que dependen de la redundancia de hardware, nuestro enfoque aprovecha las redes de Memoria a Corto y Largo Plazo (LSTM) para la estimación del estado y un algoritmo de media móvil (MA) para la detección de fallos. La novedad de nuestra técnica radica en su estrategia dual: utilizando LSTMs para analizar residuos y detectar errores, mientras que el algoritmo MA identifica sensores defectuosos monitoreando variaciones en los datos del sensor. Este método permite una corrección de errores efectiva y una recuperación del sistema reemplazando las mediciones defectuosas por fiables, eliminando la necesidad de un modelo de predicción libre de fallos. El enfoque ha sido validado mediante pruebas offline en datos reales de sensores de un UAV hexarrotor con fallos simulados, demostrando su eficacia en mantener operaciones robustas de UAV sin recurrir a soluciones de hardware redundantes.