本发明涉及一种参考多模态信息的文本摘要生成方法、电子设备及介质，包括编码步骤和解码步骤；编码步骤包括：通过特征映射获取多模态信息的序列化特征，多模态信息包括文本信息、音频信息和图像信息；通过注意力机制对多模态信息的序列化特征进行增强，获得多模态信息的增强特征；对多模态信息的增强特征进行分类，获得若干类增强特征集合；将若干类增强特征集合一一对应输入若干个前馈神经网络中，对应获得若干组融合特征；将若干组融合特征拼接成特征融合向量；解码步骤包括：通过跨注意力机制，以特征融合向量作为隐状态输入，对文本信息的增强特征与特征融合向量进行特征融合，生成文本摘要。与现有技术相比，本发明具有效率高、准确性高等优点。