本发明提供一种基于联合训练的姿态估计模型训练方法、系统、介质及终端，所述方法包括以下步骤：对人体RGB图像进行特征提取，产生第一特征图；对人体深度图像进行特征提取，产生第二特征图；获取关键点热度图和部位关联场；预测关键点热度图和部位关联场中每个像素的偏移值；将计算得到的热度图损失和偏移量损失叠加，产生联合损失；利用联合损失更新姿态估计模型的权重，实现对姿态估计模型的训练；本发明使用深度图片和RGB图片双流输入，在使用RGB图像预测得到的关键点基础上，有效地利用了深度数据进行关键点的预测修正，且可灵活实现是否使用深度图片进行关键点修正的能力，有效解决了在复杂场景中，关键点匹配容易出错的问题。