In der vorliegenden Arbeit wird eine Datenverarbeitungs-Pipeline zur geeigneten Inferenz neuronaler Aktivitätsmuster vorgeschlagen. Diese Aktivität wurde über ein Stimulations-Paradigma mittels bewegter Balken-Muster im primären visuellen Kortex der Katze evoziert und unter Verwendung eines optischen Bildgebungsverfahrens auf Basis von Fluoreszenzfarbstoffen, dem Voltage-Sensitive Dye Imaging, aufgezeichnet. Zwar bietet diese Erhebungsmethode einen guten Kompromiss zwischen räumlicher und zeitlicher Auflösung, jedoch gehen damit auch ein niedriges Signal-Rausch-Verhältnis sowie dominante technische und biologische Störkomponenten einher. Eine hohe Trial-to-Trial-Variabilität der neuronalen Antwortaktivität stellt eine zusätzliche Herausforderung für anschließende Datenanalyse-Schritte dar. Weitere Einschränkungen für den gewählten Verarbeitungsansatz ergeben sich in Bezug auf Recheneffizienz und statistische Robustheit, welche wichtige Anforderungen für künftige Closed-Loop-Experimentaldesigns darstellen. Um mit diesen Aspekten umzugehen, werden die Vorteile des Deep Learnings sowie probabilistischer Inferenz durch Verwendung eines tiefen generativen Modells basierend auf der Modellarchitektur eines Variational Autoencoders genutzt. Für entsprechendes Benchmarking und Evaluation von Deep-Learning-Modellen sind üblicherweise Trainingsdaten mit bekannter Ground Truth erforderlich, welche für die gewählten Realdaten nicht verfügbar sind. Zu diesem Zweck wurde eine zusätzliche Routine zur Generierung synthetischer Bildsequenzen entwickelt, die Aufnahmen des Voltage-Sensitive Dye Imaging ähneln und Vorwissen über den Datengenerierungs-Prozess beinhalten. Dabei wurde die Zusammensetzung über vordefinierte Dynamiken und typische signal- und artefaktbezogene Komponenten auf raum-zeitlicher Ebene vorgenommen. In sechs Parameterstudien auf Basis realer und synthetischer Datensätze wurde unter Berücksichtigung verschiedener Vorprozessierungsschritte ein breites Spektrum an Modellkonfigurationen getestet. Die Arbeit schließt mit der Schlussfolgerung, dass viele der getesteten Modellparametrisierungen einen sinnvollen Kompromiss zwischen Bildrekonstruktions-Qualität und Modell-Regularisierung erzielen können und sich für das Tracking von signal- und rauschbezogenen Merkmalen eignen.