本发明公开一种多模态电力场景作业规范检测方法、系统、设备及介质，涉及电力场景数据识别技术领域，包括：获取工作票，提取作业事件，并获取作业事件对应的语音分析规则和视频分析规则；对监控范围内的语音信息提取异常部分，通过与语音分析规则中的异常事件库进行匹配，判断语音异常事件；提取监控范围内的视频信息中的人员的位置及运动跟踪信息，通过视频分析规则中的异常事件库，判断是否出现视频异常事件；通过判断是否存在语音异常事件或视频异常事件来进行作业规范的检测。通过文本、声音、视频三种模态信息监控追踪作业人员作业全流程，完成整体流程作业规范的监控与检测。