本发明公开了一种视频异常检测系统、方法、计算机设备及存储介质，属于计算机视觉技术领域。针对现有技术中存在的视频异常检测精度差的问题，本发明构建跨模态信息交互模块，将视频特征和音频特征交互得到融合特征；构建文本信息对齐模块，对融合特征处理得到多模态特征，将多模态特征和文本特征进行对齐操作使文本特征约束多模态特征；最后在异常得分计算模块中对多模态特征处理得到高级特征，通过高级特征计算得到异常分数，根据异常分数判断待检测视频是否为异常视频，由此利用视频特征和音频特征的互补性和相关性以及文本提示信息使得视频异常片段的输出得分更高，能够快速判断待检测视频是否为异常视频，有效提高视频异常检测精度。