本发明实施例提供了一种视频中场景的聚类方法、装置、电子设备及存储介质，该方法包括：获取视频中的多帧图像；将所述多帧图像输入到预训练的第一深度学习模型中进行分类识别，获得所述多帧图像中的景点图像；将所述景点图像输入到预训练的第二深度学习模型中进行特征提取，获得景点聚类特征数据集；基于所述景点聚类特征数据集进行聚类分析获取聚类结果。本发明实施例提供的一种视频中场景的聚类方法，通过获取视频中的多帧图像后，将图像输入深度学习模型中进行处理从而获得聚类结果，根据聚类结果可以准确将同一景点图像中不同角度或者露出程度不同的两张景点图像识别为同一景点，实现了通过获取聚类结果来达到提高识别场景图片准确率的效果。