本发明提供了一种基于视觉的动态多目标识别、位姿估计与跟踪方法及系统，涉及视觉技术领域，该方法包括：获取相机采集的视频流；基于预先训练的卷积神经网络对视频流的图像进行关键点检测，得到目标对象的2D关键点数据；进行置信度筛选；基于3D关键点列表与置信度高于阈值的2D关键点数据进行匹配，得到2D‑3D关键点对；基于PnP位姿估计方法对2D‑3D关键点对进行位姿估计，得到目标对象的6D位姿信息。本发明实施例仅需低成本的普通相机硬件作为输入，部署和维护成本低廉，算法性能优异，能够提供高质量、精细化的多目标位姿估计和跟踪服务，在降低系统成本的同时，保证了较好的检测、估计和跟踪精度。