長い動画シーケンスにおいて意味のある行動を認識することは、「意味のある」という概念の定義が曖昧であることに加え、シーン内の雑多な要素（クラッター）の影響により、困難な問題である。本研究では、限られた教師情報を持つ複数のデータソースを活用し、規則的な運動パターン（以下「規則性」と呼ぶ）を生成モデルとして学習することで、この問題にアプローチする。具体的には、教師信号がほとんど不要な環境でも動作可能なオートエンコーダーの特性を活かし、2つの手法を提案する。まず、従来の手作業で設計された空間時間的局所特徴を用い、それらに対して全結合型オートエンコーダーを学習する。次に、局所特徴と分類器の両方を端末から端末まで統合的に学習可能な、完全畳み込み型の前向きオートエンコーダーを構築する。本モデルは複数のデータセットから規則性を捉えることが可能である。定量的および定性的な評価を通じて、提案手法の有効性を検証した。その結果、さまざまな観点から動画の学習された規則性を可視化するとともに、異常検出データセットにおいて競争力ある性能を示した。