本发明公开了一种多模态远程语音感知方法及装置。所述感知方法包括：利用矩形麦克风阵列和摄像头，采集语音和视频信号。对目标语音信号利用波束形成进行初步到达角估计，以获得粗略的声源方位。利用声源方位初步信息，驾驶摄像头正对声源方向。基于初始视频数据建立背景模型，进行前景检测和背景更新。将前景对应的高精度方位参数传输给波束形成模块，波束形成在该方位的输出,即增强的语音信号。