En el campo de la acústica submarina, la relación señal-ruido (SNR) suele ser baja, y el entorno submarino es complejo y variable, lo que hace que la estimación de la azimut del objetivo sea muy desafiante. Los métodos tradicionales basados en modelos de subespacio muestran una degradación significativa del rendimiento al tratar con fuentes coherentes, baja SNR y datos de instantáneas pequeñas. Para superar estas limitaciones, se propone un modelo mejorado basado en SubspaceNet, llamado PConv-GAM Residual SubspaceNet (PGR-SubspaceNet). Este modelo incorpora el mecanismo de atención global (GAM) en bloques residuales que fusionan la convolución PConv, lo que permite capturar información cruzada y posicional más rica. Esta mejora ayuda al modelo a aprender características de la señal en condiciones submarinas complejas. Los resultados de la simulación demuestran que el método de estimación de azimut del objetivo submarino basado en PGR-SubspaceNet muestra valores más bajos de error periódico cuadrático medio (RMSPE) al manejar diferentes números de fuentes coherentes de banda estrecha. Bajo condiciones de baja SNR y instantáneas limitadas, sus valores de RMSPE son significativamente mejores que los de los métodos tradicionales y los métodos de subespacio mejorados basados en SubspaceNet. PGR-SubspaceNet extrae más características, mejorando aún más la precisión de la estimación de la dirección de llegada. Experimentos preliminares en una piscina validan la efectividad y viabilidad del método de estimación de azimut del objetivo submarino basado en PGR-SubspaceNet.