本发明提供一种视频描述方法、装置以及存储介质，属于图像处理技术领域，方法包括：S1：导入多个视频数据，并分别对各个视频数据进行第一次融合分析得到第一融合特征；S2：构建训练模型，根据多个第一融合特征对训练模型进行训练得到目标视频描述模型；S3：分别对各个视频数据进行第二次融合分析得到第二融合特征；S4：通过目标视频描述模型对多个第二融合特征进行视频描述得到视频描述结果。本发明能够不需要人工监督来训练生成描述，降低了人工成本，且在图片特征层面比传统的视频描述模型描述准确率更高，增加了特征关系的紧密度，利于视频描述模型准确性的提升。