Cuando se pierde o se interfiere la señal del satélite, la navegación integrada tradicional GNSS (Sistema de Navegación por Satélite Global)/INS (Sistema de Navegación Inercial) se degradará a INS, lo que resulta en la disminución de la precisión de la navegación. Para resolver estos problemas, este documento estableció principalmente el modelo de red neuronal PSO (optimización por enjambre de partículas)-LSTM (Memoria a Corto Plazo de Largo Plazo) para predecir el incremento de la posición GNSS en condiciones de rechazo y acumulación de satélites para obtener la señal pseudo-GNSS. La señal se utiliza para compensar el valor observado en el sistema integrado. El modelo aprovecha las ventajas de LSTM, que es bueno para procesar series temporales, y utiliza PSO para obtener eficientemente el valor óptimo de hiperparámetros importantes. Mientras tanto, se utiliza una función de umbral mejorada para deshacer el ruido de los datos de la IMU (Unidad de Medición Inercial), lo que mejora efectivamente la relación señal-ruido de las salidas de la IMU. Finalmente, el rendimiento del algoritmo se demuestra mediante una prueba de carretera real. En comparación con INS, el método puede reducir los errores máximos de latitud y longitud en al menos un 98.78% y un 99.10% mientras el satélite se pierde durante 60 s, mejorando efectivamente la precisión del sistema GNSS/INS en el rechazo de satélites.