本发明的实施方式提供了一种基于多模态渐进式注意力模型解决视频问答任务的方法。该方法包括：一、针对视频问答任务中的多种模态信息，分别提取多种模态特征；二、利用问题对提取到的多种模态特征进行初步关注并计算相应的权重得分，再利用问题对重要模态特征进行迭代关注以定位到与问题最相关的模态特征；三、利用多模态融合算法实现特征的跨模态融合，再利用问题对视频的多模态融合表示进行关注，找出与问题相关的重要视频特征；四、将模型的部分有效输出结果进行融合，用于答案生成。相比现有的视频问答解决方案，本发明能够更精准地定位到与问题相关的视频帧或视频画面区域。本发明在视频问答任务中取得的效果相比于传统的方法更好。