La tecnología de captura de movimiento (MoCap), esencial para la biomecánica y el análisis de movimiento, se enfrenta a desafíos debido a la pérdida de datos por oclusiones y problemas técnicos. Los métodos tradicionales de recuperación, basados en relaciones entre marcadores o tratamiento independiente de marcadores, tienen limitaciones. Este estudio introduce una novedosa técnica basada en un autoencoder U-net inspirado en bi-direccional LSTM (U-Bi-LSTM) para recuperar datos faltantes de MoCap en configuraciones de múltiples cámaras. Aprovechando datos 3D triangulados y de múltiples cámaras, este método emplea una sofisticada estructura de aprendizaje profundo en forma de U con una capa de regresión Huber adaptativa, mejorando la robustez ante valores atípicos y minimizando errores de reconstrucción, demostrando ser especialmente beneficioso para escenarios de pérdida de datos a largo plazo. Nuestro enfoque supera los métodos tradicionales de spline cúbico por partes y los métodos de rango bajo disperso de última generación, demostrando mejoras estadísticamente significativas en el error de reconstrucción a través de diversas longitudes y números de brechas. Esta investigación no solo avanza en las capacidades técnicas de los sistemas MoCap, sino que también enriquece las herramientas analíticas disponibles para la investigación biomecánica, ofreciendo nuevas posibilidades para mejorar el rendimiento atlético, optimizar protocolos de rehabilitación y desarrollar planes de tratamiento personalizados basados en datos biomecánicos precisos.