La estimación del estado de vehículos aéreos no tripulados (UAV) es fundamental en aplicaciones como la navegación de robots, la conducción autónoma, la realidad virtual (VR) y la realidad aumentada (AR). Esta investigación destaca el papel crítico de la estimación robusta del estado para garantizar una navegación autónoma segura y eficiente de los UAV, particularmente en entornos desafiantes. Proponemos un marco de fusión de sensores adaptativo basado en aprendizaje profundo para la estimación del estado de UAV, integrando datos de múltiples sensores de cámaras estéreo, un IMU, dos LiDAR 3D y GPS. El marco ajusta dinámicamente los pesos de fusión en tiempo real utilizando un modelo de memoria a corto y largo plazo (LSTM), mejorando la robustez en diversas condiciones como cambios de iluminación, entornos sin estructura, señales GPS degradadas o pérdida total de señal, donde los métodos SLAM de un solo sensor tradicionales a menudo fallan. Validado en una plataforma UAV integrada interna y evaluado contra la verdad de terreno RTK de alta precisión, el algoritmo incorpora pesos de fusión predichos por aprendizaje profundo en un pipeline de odometría basado en optimización. El sistema ofrece una estimación del estado robusta, consistente y precisa, superando las técnicas de vanguardia. Los resultados experimentales demuestran su adaptabilidad y efectividad en escenarios desafiantes, mostrando avances significativos en la autonomía y fiabilidad de los UAV a través de la integración sinérgica del aprendizaje profundo y la fusión de sensores.