本申请提供一种基于声音的视频动作分类方法及相关设备，所述方法包括：获取待处理视频的音频数据；构建所述音频数据的声音纹理特征；将所述声音纹理特征输入至预先训练的第一动作分类网络中，输出第一动作分类结果；获取所述待处理视频的视频帧；将所述视频帧输入至预先训练的第二动作分类网络中，输出第二动作分类结果；利用加权平均的方式对所述第一动作分类结果和所述第二动作类结果进行融合，得到所述待处理视频对应的动作分类结果。本申请的方法，只需要增加少量参数，便能够提升动作分类任务的准确率。