A medida que la exploración de recursos marinos continúa profundizándose, la utilización de Vehículos Submarinos Autónomos (AUV) para realizar encuestas de recursos marinos y mapeo ambiental submarino se ha convertido en una práctica común. Para llevar a cabo con éxito las misiones de exploración, los AUV requieren información de navegación submarina de alta precisión como apoyo. Un Sistema de Navegación Inercial Strapdown (SINS) puede proporcionar a los AUV información precisa de actitud y rumbo, mientras que un Registro de Velocidad Doppler (DVL) es capaz de medir el vector de velocidad de los AUV. Por lo tanto, el sistema de navegación integrado SINS/DVL puede proporcionar la información de navegación necesaria requerida por un AUV. En respuesta al problema de que el DVL es susceptible a interferencias ambientales externas, lo que lleva a una reducción de la precisión de las mediciones, este documento propone un enfoque de aprendizaje profundo de extremo a extremo para mejorar la precisión de las mediciones del vector de velocidad del DVL. La utilización de los datos de medición en bruto de una Unidad de Medición Inercial (IMU), que incluye giroscopios y acelerómetros, para ayudar al DVL en la estimación del vector de velocidad y refinarlo hacia el vector de velocidad del Sistema de Posicionamiento Global (GPS), compensa la interferencia ambiental externa que afecta al DVL, mejorando así la precisión de la navegación. Para evaluar el método propuesto, realizamos experimentos en un lago utilizando equipos SINS y DVL, de los cuales los datos recopilados se organizaron en un conjunto de datos para entrenar y evaluar el modelo. Los resultados de la investigación muestran que el vector DVL predicho por nuestro modelo puede lograr una mejora máxima del 69.26% en términos de error cuadrático medio y una mejora máxima del 78.62% en términos de error de trayectoria relativa.