本发明公开了一种视频合成方法，包括：将获取到的目标视频数据逐帧通过预设深度估计网络计算深度图，并获取深度图每帧的深度信息；根据摄像头参数计算所述深度信息中每一个像素对应的三维坐标；根据每一个像素对应的三维坐标利用预设算法得到深度图中插入物体的目标位置信息；根据所述目标位置信息得到相邻帧之间的相机位姿变化；根据所述目标位置信息和所述相邻帧之间的相机位姿变化，利用预设方法逐帧将目标物体渲染到目标视频数据。本方法通过使用深度估计网络实现目标视频场景中关键物体和特征的三维重建，通过预设算法估计目标视频场景中适合渲染物体的位置结构，从而实现在目标视频场景中插入目标物体。