En los últimos años, los sistemas de recomendación se han convertido en una herramienta crucial, ayudando a los usuarios a descubrir y participar con información y servicios valiosos. Los sistemas de recomendación multi-criterio han demostrado un valor significativo al ayudar a los usuarios a identificar los elementos más relevantes al considerar varios aspectos de las experiencias de los usuarios. Los modelos de aprendizaje profundo (DL) han demostrado un rendimiento excepcional en diferentes áreas: visión por computadora, procesamiento de lenguaje natural, análisis de imágenes, reconocimiento de patrones y sistemas de recomendación. En este estudio, presentamos un modelo de aprendizaje profundo que utiliza VAE para mejorar los sistemas de recomendación multi-criterio. Específicamente, proponemos un modelo basado en autoencoders variacionales para sistemas de recomendación multi-criterio (VAE-MCRS). El modelo VAE-MCRS se entrena secuencialmente en múltiples criterios para descubrir patrones que permitan una mejor representación de las interacciones entre usuario e ítem. El modelo VAE-MCRS utiliza las características latentes generadas por el VAE junto con las interacciones entre usuario e ítem para mejorar la precisión de la recomendación y predecir las calificaciones para los ítems no calificados. Los experimentos realizados utilizando el conjunto de datos multi-criterio de Yahoo! Movies demuestran que el modelo propuesto supera a otros algoritmos de recomendación de última generación, logrando un Error Absoluto Medio (MAE) de 0.6038 y un Error Cuadrático Medio (RMSE) de 0.7085, demostrando su rendimiento superior al proporcionar recomendaciones más precisas para tareas de recomendación multi-criterio.