Фрагментарность сенсорных сигналов и нелинейная природа физических процессов неизбежно искажают классические процедуры оценивания скрытых переменных. В работе предложена единая вариационная схема, объединяющая стохастическую модель пространства состояний с рекуррентной сетью вывода, обрабатывающей последовательность в обратном направлении. Оптимизация вариационной нижней границы (ELBO) выполняется методом стохастического градиентного спуска с аналитическим вычислением расхождения Кульбака — Лейблера. Ключевым отличием от существующих подходов выступает явное вероятностное моделирование механизмов утраты данных. Алгоритм корректно маргинализует отсутствующие компоненты вектора наблюдений, устраняя систематическое смещение оценок, характерное для наивного маскирования при информативных пропусках. Теоретический анализ информационной матрицы Фишера строго обосновывает локальную структурную идентифицируемость параметров нелинейных переходных функций с точностью до инвариантных преобразований латентного пространства. Вычислительный эксперимент на эталонных нелинейных системах — хаотическом аттракторе Лоренца и осцилляторе Дуффинга — демонстрирует высокую робастность метода. При доле зависимых от состояния пропусков до 50 % и аддитивном шуме до 30 % разработанная схема снижает среднеквадратичную ошибку реконструкции фазовых траекторий в четыре раза относительно стандартных фильтров Калмана и детерминированных рекуррентных архитектур. Полученные результаты создают математическую основу для применения глубоких генеративных моделей в задачах системной диагностики и синтеза регуляторов технических объектов в условиях существенной неопределенности наблюдений.