本发明实施例提供一种场景识别方法、训练方法、装置、电子设备及程序产品，该方法包括：获取待识别场景的彩色图像与深度图像；利用特征提取算法对彩色图像与深度图像分别进行特征提取，获得彩色图像对应的第一全局特征与第一局部特征，以及深度图像对应的第二全局特征与第二局部特征；对第一全局特征、第二全局特征、第一局部特征以及第二局部特征进行融合，得到待识别场景的多模态特征；对待识别场景的多模态特征进行场景识别，得到待识别场景的识别结果。由于在提取彩色图像与深度图像的全局特征的基础上，还分别提取彩色图像与深度图像的第一局部特征与第二局部特征，并将上述局部特征与全局特征进行融合，进而提高了场景识别的准确度。