多くの動画は、人が分類してキャプションを作成することが非常に困難である。さらに視聴者はどのような種類の動画をすばやく判断して視聴するのかを決定するのが必要があり、そのため動画分類とキャプションを行う技術が必要になる。動画のコンテンツやフレームに基づいて自動的に動画にラベルを付けることを中心に解析を行う。動画のキャプションは、動画の短い説明を生成し、人間の行動や車の軌跡などの動的情報をキャプチャすることである。本研究の目的は、動画分類とキャプションのような複数のタスクを実行するためのアーキテクチャを構築することである。また、分類精度に対するフレーム数の影響について分析する。