本公开提供了一种图文预训练方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于图像处理等场景。具体实现方案为：获取图文样本数据，图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；利用每组图文对的第一图像特征、文本特征和解码信息，对图像编码器、文本编码器和图像解码器进行训练。