La localización y el seguimiento precisos y confiables de los Vehículos Autónomos Submarinos (AUV) son esenciales para el éxito de diversas misiones submarinas, como el monitoreo ambiental, la exploración de recursos submarinos y las operaciones militares. La localización acústica de línea larga (LBL) es una técnica fundamental para el posicionamiento submarino, pero enfrenta desafíos significativos en entornos adversos. Estos desafíos incluyen maniobras abruptas de los objetivos e interferencias intencionales en la señal, las cuales degradan el rendimiento de los algoritmos de localización tradicionales. Aunque los algoritmos basados en filtros de partículas y seguimiento antes de detectar (PFTBD) son efectivos en condiciones submarinas normales, tienen dificultades para mantener la precisión en entornos adversos debido a su dependencia de cálculos de probabilidad convencionales. Para abordar esto, proponemos el algoritmo BiLSTM-Attention-PFTBD, que mejora el marco tradicional de PFTBD al integrar redes de memoria a largo y corto plazo bidireccionales (BiLSTM) con mecanismos de atención de múltiples cabezas. Esta combinación permite una mejor extracción de características y adaptación para la localización de AUV en entornos submarinos adversos. Los resultados de simulación demuestran que el método propuesto supera a los algoritmos tradicionales de PFTBD, reduciendo significativamente los errores de localización y manteniendo una precisión de seguimiento robusta en entornos adversos.