本公开关于一种视频文字跟踪方法、装置、电子设备及存储介质，该方法包括：待处理视频中提取出多个视频帧；获取每个视频帧中的文字的文字序列特征、文字所在的文字区域的位置特征以及所述文字区域对应的图像特征；根据所述文字序列特征、所述位置特征以及所述图像特征，得到所述每个视频帧对应的融合特征描述子；基于所述每个视频帧对应的融合特征描述子更新预设的跟踪轨迹，得到所述待处理视频中的文字的跟踪轨迹；所述跟踪轨迹用于表征文字的位置信息。本公开能够提高视频文字跟踪轨迹确定的准确率。