Realizar navegación de larga duración sin el sistema de satélites de navegación global (GNSS) es una tarea desafiante, particularmente para vehículos aéreos no tripulados (UAV) pequeños equipados con sensores microelectromecánicos de bajo costo. Este estudio propone una red neuronal híbrida que integra mecanismos de autoatención con memoria a largo y corto plazo (SALSTM) para mejorar el rendimiento de la navegación en ausencia de GNSS. La tarea de estimación de la navegación sin GNSS se modela primero en función de la aerodinámica y cinemática del UAV, lo que permite una definición precisa de las entradas y salidas que SALSTM necesita mapear. Se inserta una capa de autoatención en múltiples capas de LSTM para capturar dependencias a largo alcance en cambios dinámicos sutiles. La capa de salida está diseñada para generar secuencias de estado, aprovechando la naturaleza recursiva de LSTM para imponer restricciones de continuidad del estado. Las salidas de SALSTM se fusionan para mejorar la navegación integrada dentro de un marco de filtro de Kalman extendido. El rendimiento del método propuesto se evalúa utilizando datos de vuelo obtenidos de pruebas de campo. Los resultados demuestran que la navegación integrada mejorada por SALSTM logra una estabilidad a largo plazo superior y mejora la precisión de estimación de velocidad y posición en más del 50% en comparación con los mejores métodos existentes.