结合多种运动分析的话者角色区分方法及系统，方法包括：步骤1：分割视频，分割后得到音频信息和视频信息；步骤2：音频信息分析；步骤3：视频信息分析；步骤4：音视频融合分析划分话者角色，匹配步骤2和步骤3两种分析结果的时间节点得到角色划分结果。一方面利用音频信息，提取音频特征，并基于音频特征进行说话人转换检测用于话者角色区分；另一方面利用视频信息，分析视频中说话人的头部状态、口罩和嘴巴状态，对视频中人说话的起始时间进行判断；最后融合两种检测结果得到更准确的角色区分结果。本发明能完成对待稽核视频的采集存储，同时完成对视频的话者角色区分，高效精准。