本发明公开了一种面向网约车的车内危险场景识别方法，分别从视频数据中提取出人体骨骼关键点作为姿态特征，从音频数据中提取filter bank语音特征后，最后通过设计一种基于模态注意力机制的多模态融合模型将上述特征融合并进行时序分析，具体为：通过预设模态注意力模型，计算出每种模态特征的当前时刻的模态注意力，再根据模态特征当前时刻的模态注意力和对应的模态原始特征，获得融合特征，最后，将融合特征输入时序模型，得到输出结果)，解决了运用单一技术进行分析时识别不够准确的技术问题，实现对车内危险场景的准确识别。