本发明提供一种全参考音视频客观质量评价方法、系统及终端，所述方法包括：分别提取参考视频帧和失真视频帧的短时特征，获得视频信号的短时特征和获得音频信号的短时特征；提取视频信号和音频信号的长时特征；将视频信号和音频信号的长时特征进行融合，得到音视频客观质量评价分数；其中，在短时特征提取时，首先将视频信号按时序依次将单帧图像分割为图像小块、音频信号通过短时傅里叶变换将短音频段转换为二维语谱图，之后利用卷积神经网络从图像小块和二维语谱图提取深层语义特征。本发明可有效地评价音视频的总体感知体验质量。