一种文本引导的视频时序动作分割方法、设备及存储介质，构建一个文本引导的视频时序动作分割模型，包括视频片段编码器、文本编码器、时序骨干网络和分类网络，首先由视频片段编码器提取视频片段特征，经时序骨干网络得到包含全局信息的时序特征，同时文本编码器对起始动作和终止动作的语言描述提取文本特征，将时序特征与文本特征进行时序上的模态对齐，以实现文本特征引导时序动作的分割，同时为了进一步缓解背景干扰带来的过分割问题，将时序特征进行时序上的可学习局部平滑，最后对得到的时序特征由分类得到分割结果。本发明通过标注文本引导的视频时序动作分割框架，增强了对于视频时序特征的约束，改善在强背景干扰下的分割性能。