本申请实施例提供了一种多媒体数据融合方法及设备，其包括：接收来自多个终端设备的多媒体数据，多媒体数据的数据类型包括以下至少两种：文本、图像、音频。分别对各数据类型的多媒体数据进行相应的识别，得到各多媒体数据的特征向量，特征向量用于表示各多媒体数据的特征。基于各多媒体数据的特征向量、预设的转换向量之间的关系，对各多媒体数据的特征向量进行向量转换，以使不同数据类型的多媒体数据的特征向量处于同一向量空间。根据转换后的各多媒体数据的特征向量，将不同数据类型的多媒体数据进行聚类。