本发明涉及人工智能领域，公开了视频数据处理方法、装置、设备及存储介质，用于提高视频数据处理的准确率。所述视频数据处理方法包括：将多个视频帧输入预置的人脸识别模型进行人脸信息提取，得到多个候选人脸信息，并分别对多个候选人脸信息进行上下文交互处理，得到每个候选人脸信息对应的交互信息；将视频流输入预置的唇语识别模型进行唇语识别，得到唇语文本；根据每个候选人脸信息对应的交互信息将视频流输入预置的自然语言处理模型中进行音频识别，得到音频文本，并计算唇语文本和音频文本的相似度，得到目标相似度；根据目标相似度从多个候选人脸信息中确定目标人脸信息。本发明还涉及区块链技术，目标人脸信息可存储于区块链节点中。