本申请公开了一种视频级目标检测模型的训练方法及装置、设备、存储介质。本申请一实施例中，视频级目标检测模型的训练方法包括：利用视频级目标检测模型提取训练视频的T帧预测框，所述训练视频包括T帧图像；为所述T帧预测框生成偏移量，获得T帧偏移后预测框；通过最小化所述T帧偏移后预测框与所述T帧图像的真实框之间的向量夹角，确定时空聚合损失函数；根据时空聚合损失函数、总体损失函数对所述视频级目标检测模型的参数进行优化。本申请可获得能够实现“三维时空”层面视频目标检测的视频级目标检测模型，并且，几乎不会给原先的模型添加计算量，可以做到即插即用。