本申请公开了一种视频分类的方法、装置、电子设备及介质。本申请中，可以获取待分类视频数据；将待分类视频数据输入至音视频学习网络，得到待分类视频对应的图像特征和音频特征；以及待分类视频对应的文本特征；将图像特征、音频特征以及文本特征输入至融合学习网络，得到融合特征向量；将融合特征向量输入至Softmax分类器，并将分类器输出的分类结果作为待分类视频的分类结果。通过应用本申请的技术方案，可以在获取待分类视频之后，利用预设的学习网络模型，得到该视频数据的图像特征、音频特征以及文本特征，并将该三个特征进行融合后，根据融合的特征来判断待分类视频的分类结果。从而避免了相关技术中对视频数据分类不准确的弊端。