Este estudio se centra en el problema crítico de la estimación precisa del estado de carga (SOC) para sistemas de baterías de vehículos aéreos no tripulados (UAV), abordando un desafío fundamental para mejorar la fiabilidad de la gestión de energía y la seguridad en vuelo. Los métodos actuales basados en datos requieren grandes volúmenes de datos y alta complejidad computacional, y los métodos basados en modelos necesitan parámetros de modelo de alta calidad. Para abordar estos desafíos, se ha desarrollado un método de fusión de múltiples escalas de tiempo que integra el modelo de batería y tecnologías basadas en datos para la estimación del SOC en baterías de iones de litio. En primer lugar, bajo la condición de no tener datos o tener datos insuficientes, se introduce un filtrado adaptativo de Kalman extendido con un algoritmo de multi-innovación (MI-AEKF) para estimar el SOC basado en el modelo de Thévenin en una escala de tiempo rápida. Luego, se utiliza un modelo de aprendizaje profundo híbrido de red de convolución temporal bidireccional (BiTCN), unidad recurrente bidireccional con compuerta (BiGRU) y mecanismo de atención (BiTCN-BiGRU-Attention) utilizando parámetros del modelo de batería para corregir el error del SOC en una escala de tiempo relativamente lenta. El rendimiento del modelo propuesto se valida bajo varios perfiles dinámicos de la batería. Los resultados muestran que el error máximo (ME), el error absoluto medio (MAE) y el error cuadrático medio (RMSE) para la conducción sin datos, la conducción con datos insuficientes y la conducción con datos suficientes bajo diversas condiciones dinámicas están por debajo del 2.3%, 1.3% y 1.5%, 0.9%, 0.4% y 0.4%, y 0.6%, 0.3% y 0.3%, respectivamente, lo que demuestra la robustez y el notable rendimiento de generalización del método propuesto. Estos hallazgos avanzan significativamente las estrategias de gestión de energía para sistemas de baterías de iones de litio en UAV, mejorando así la eficiencia operativa y extendiendo la resistencia en vuelo.