本发明公开一种视频场景理解方法、装置及系统。本发明提供的一种视频场景理解方法，通过建立与摄像头之间的数据连接，获取摄像头采集的视频数据和音频数据并处理，分别训练物体识别模型和声音检测模型；根据所述物体识别模型和声音检测模型分别对摄像头采集的视频数据和音频数据进行识别，识别出视频场景中的场景元素信息；根据视频场景中识别出的场景元素信息，输出分析结果。本发明充分利用了监控摄像头的监控能力，最大化体现监控摄像头的应用价值。结合人工智能领域中的算法，对用户需要检测的条件进行检测与输出，并对结果进行判断，使用较少的计算成本完成较为复杂的人体行为，物体检测和事件分析。