本申请提供了一种模型训练方法、视频分类方法、装置、设备及存储介质，该方法包括获取第一视频、第一视频的分类标注和标题信息；对第一视频进行帧采样得到第一视频的至少一个视频帧；对第一视频的至少一个视频帧分别进行文字识别得到至少一个视频帧各自的文本信息；对至少一个视频帧各自的文本信息进行处理得到第一视频的第一词向量，对第一视频的标题信息进行处理，得到第一视频的第二词向量；根据第一视频的第一词向量、第二词向量和至少一个视频帧训练视频分类模型。由于文本信息可以更好的反映视频内容，从而使得经过视频帧的文本信息、视频帧和视频的标题信息训练的视频分类模型更佳，进而可以提高视频分类精度。