本发明提供了一种多模态图像标注方法、装置、电子设备及存储介质，应用于图像处理及深度学习技术领域。该方法包括：对不同格式的多模态图像进行预处理，得到音频数据和视频数据；对音频数据进行特征提取，得到音频特征数据；对视频数据进行特征提取，得到对象融合特征数据；基于第一神经网络模型，对音频特征数据进行处理，得到与音频特征数据对应的目标对象；基于第二神经网络模型，对对象融合特征数据进行处理，得到目标对象的情绪特征数据；根据目标对象和情绪特征数据，对多模态图像进行标注，得到标注结果；将标注结果、音频特征数据和对象融合特征数据进行可视化处理，以便标注人员对与多模态图像对应的标注结果进行调整。