Метою даної кваліфікаційної роботи полягає у поєднанні методів розпізнавання зображень та тексту для того, щоб промаркувати зображення реченнями, що відображають сенс цих зображень, що дає можливість побудувати когнітивний сервіс, який має змогу одночасно працювати і з зображеннями і з текстом.