Este artículo estudia el problema de la síntesis de barras de enlace mediante múltiples redes neuronales profundas (DNN), que requiere la solución inversa de los parámetros de enlace basados en una curva de trayectoria deseada. Este problema es altamente complejo debido a que el espacio de soluciones es no lineal y puede contener múltiples soluciones, mientras que una buena calidad de aprendizaje no se puede obtener con un enfoque de red neuronal única. Por lo tanto, este artículo propone emplear descriptores de Fourier para representar curvas de trayectoria de manera sistemática y normalizada, desarrollando una evaluación de distribución de múltiples soluciones mediante búsquedas locales de reinicio aleatorio (MDE-RRLS) para examinar un mejor esquema de partición del espacio de soluciones, utilizando múltiples DNN para aprender regiones de subespacio por separado y creando una consulta multifacética (MFQuery) para predecir cooperativamente múltiples soluciones. Los experimentos demuestran que el enfoque propuesto puede obtener resultados mejores o al menos competitivos en comparación con trabajos anteriores en la literatura. Además, para verificar la efectividad y aplicabilidad, este artículo investiga el problema de diseño de un mecanismo de cuchara de seis barras de enlace industrial utilizado en un sistema de fundición a presión, y el método propuesto puede obtener varias soluciones de diseño superiores y ofrecer alternativas en un corto período de tiempo cuando se enfrenta a requisitos de rediseño.