随着深度学习（Deep Learning）的迅速发展,计算机视觉领域的研究重点逐渐从相对简单的图像分类转移到计算机对视觉信息的理解上来。人类在浏览图像或视频的时候,不仅仅只是识别出其中的物体,也会理解其中所蕴含的高级语义知识,比如环境,情感,气氛,暗示等。为了从图像和视频中感知这样的高级语义,学术界提出了诸多的数据集及任务,如看图说话（Image Captioning）。视觉问答是近几年来学术界新提出来的问题。视觉问答（Visual Question Answer,VQA）是一种涉及计算机视觉和自然语言处理的学习任务。作为视觉理解（Visual Understanding）的一个重要研究方向,将视觉和语言结合起来,模型需要在理解图像的基础上,根据具体的、形式自由的、开放式的自然语言问题作为输入,然后给出合适的答案。解决视觉问答的关键点之一就在于如何融合从图像/视频以及问题中提取出来的视觉和语言特征并进行联合学习。现有的工作在模型的学习方式上采取文本-视频/图像对的形式进行相互独立的训练。受到多任务学习（Multi-task Learning）方法的启发,本文提出利用视觉信息和对应的多个问题之间的隐含关系可以有效地提升回答问题的准确性,并能够良好地泛化到其他的新的问题上。具体而言,本文提出了多问题学习（Multiquestion Learning）方法,即将视觉信息和与之对应的多个问题共同训练,在模型中将多个问题的权重进行硬共享（Hard Sharing）。多问题学习方法包含两个具体的机制,多问题注意力机制和多问题预测机制。多问题注意力机制的目的是为多个问题生成一个共享的视觉特征。多个问题分别对视觉信息进行注意力加权之后再融合为一个共享的特征向量。多问题预测机制的目的是将图像/视频对应的多个问题联合训练。多问题预测将目标问题和其他相关问题的信息结合到一起并产生一个共同的损失进行反向传播。此外,本文针对视频问答（Video QA）设计了一个效果良好的视频问答框架来验证多问题学习方法。视频问答算法在理论上解决了如何利用人工智能理解图像或视频中的高级语义信息的问题,打通了计算机视觉和自然语言之间的界限,探索了计算机对人类视觉信息理解的基本原理。同时,视频问答算法也可以广泛地运用到生产生活中,提升社会的生产力,丰富和方便人民群众的日常生活。如通过自然语言对图像或视频内容进行检索,制造能够理解多种媒体信息的智能问答系统等。通过在两个大规模公开数据集上进行了充分的实验,表明了多问题学习方法的可行性和有效性;探索多问题注意力机制和多问题预测机制的基本原理;模型的性能大幅度超过目前最先进的视频问答解决方案。