本发明提供一种人物情绪识别方法、系统、介质及电子设备，所述方法包括将带有情绪标签的人物图像数据和人物声音数据进行融合；利用融合后的数据训练神经网络模型以得到情绪分类器模型；采集待识别人物的图像数据和声音数据，融合后输入至所述情绪分类器模型，以使所述情绪分类器模型输出所述待识别人物的情绪信息。本发明的人物情绪识别方法、系统、介质及电子设备，可以结合图像的多维度数据的特征以及整个视频序列的前后文信息来更为精确的判断人物的情绪，基于Transformer网络可以实现并行运算，前向推理速度更快，更适合算力资源不足的情况下模型部署，具有较高的迁移和适应能力。