El rendimiento de navegación de un vehículo submarino autónomo (AUV) como la herramienta principal para explorar el océano afecta enormemente a su eficiencia laboral. Bajo la circunstancia de que no se pueden obtener señales de posicionamiento GNSS de alta precisión, el papel del sistema de navegación integrado Strapdown Inertial Navigation System/Doppler Velocity Log (SINS/DVL) se vuelve más prominente. Debido a criaturas marinas o a la topografía del lecho marino, el DVL es propenso a valores atípicos o incluso a fallos durante la medición. Para resolver estos problemas, se propone un sistema de navegación integrado asistido por algoritmo LSTM/SVR-VBAKF. En primer lugar, bajo circunstancias normales de DVL, la información de salida de SINS y DVL se utilizan como muestras de entrenamiento, y entrenan el modelo de Memoria a Corto Plazo de Largo Plazo (LSTM). Para mejorar la robustez y adaptabilidad del filtro, se propone un novedoso algoritmo de filtro adaptativo bayesiano variacional basado en regresión de vectores de soporte. Cuando falta la formación de DVL, el método de aprendizaje profundo adoptado en este documento continuará generando resultados para asegurar el efecto de la navegación integrada. Los datos de prueba a bordo del barco se verifican desde dos aspectos: rendimiento del filtro y capacidad del sistema de navegación integrado asistido por red neuronal. Los resultados experimentales muestran que el nuevo método propuesto en este documento puede manejar efectivamente una situación en la que la salida de DVL no está disponible.