El seguimiento y la predicción precisos de las trayectorias de vehículos aéreos no tripulados (UAV) son esenciales para garantizar el éxito de la misión, la seguridad del equipo y la precisión de los datos. Los UAV maniobrables exhiben un movimiento complejo y dinámico, y los algoritmos de seguimiento convencionales que se basan en modelos predefinidos tienen un rendimiento deficiente cuando se utilizan parámetros desconocidos. Para abordar este problema, este documento presenta un modelo híbrido de red neuronal de doble escala basado en el marco de filtro de información de cubatura y regresión múltiple generalizada (GRMM-CIF). Hemos establecido la estructura de filtrado GRMM-CIF para diferenciar los modos de movimiento y reducir el ruido de medición. Además, considerando los conjuntos de datos de trayectorias y las tasas de cambio de movimiento, se diseñará una red neuronal a diferentes escalas. Proponemos el algoritmo de memoria a largo y corto plazo bidireccional de doble escala (DS-Bi-LSTM) para abordar los retrasos en la predicción en un contexto de múltiples modelos. Adicionalmente, empleamos ventanas deslizantes de escala y toma de decisiones basada en umbrales para lograr la reconstrucción de trayectorias de doble escala, mejorando en última instancia la precisión del seguimiento. Los resultados de simulación confirman la efectividad de nuestro enfoque para manejar la incertidumbre del movimiento de los UAV y lograr estimaciones precisas.