本申请涉及一种视频图像地理拼接方法、装置、计算机设备以及存储介质。所述方法包括：获取多无人机采集的现实场景的实时直播图像以及多无人机的GNSS信息；使用视觉SLAM算法对实时直播图像进行输入帧跟踪，并结合视觉轨迹和GNSS信息对跟踪成功的输入帧进行位姿估计，生成具有地理参考的相机姿态；利用相机姿态和表面重建算法对输入帧进行稠密化处理，生成现实场景的深度图，并将深度图投影到密集三维点云中，构建现实场景的三维表面模型；利用相机姿态和三维表面模型对输入帧进行正射校正，将正射校正后的输入帧整合到全局拼接地图中，生成现实场景的全局图像。本申请实施例可以快速获取现实场景中的实时画面，为现实场景的快速紧急响应提供了有力支持。