Proponemos un enfoque novedoso de estimación de pose 6D adaptado para el aterrizaje automático de vehículos aéreos no tripulados (UAV) de ala fija. Este método facilita el seguimiento simultáneo de la posición y la actitud utilizando un sistema de visión terrestre, independientemente del número de cámaras (N-cámaras), incluso en entornos donde no hay acceso al Sistema Global de Navegación por Satélite. Nuestro enfoque propone un pipeline que consiste en una detección basada en una Red Neuronal Convolucional (CNN) de anclajes de UAV que, a su vez, impulsa la estimación de la pose del UAV. Para garantizar una detección de anclajes robusta y precisa, diseñamos una arquitectura Block-CNN para mitigar la influencia de los valores atípicos. Aprovechando la información de estos anclajes, establecimos un Filtro de Kalman Extendido para actualizar continuamente la posición y la actitud del UAV. Para apoyar nuestra investigación, configuramos sistemas de vista terrestre monoculares y estereoscópicos para la recolección de datos y la experimentación. Además, para expandir nuestro conjunto de datos de entrenamiento sin requerir experimentos adicionales al aire libre, creamos un sistema paralelo que combina configuraciones al aire libre y simuladas con configuraciones idénticas. Realizamos una serie de experimentos simulados y al aire libre. Los resultados muestran que, en comparación con las líneas base, nuestro método logra una mejora del 3.0% en la precisión de detección de anclajes y mejoras del 19.5% y 12.7% en la precisión de estimación de posición y actitud. Además, estos experimentos afirman la viabilidad de nuestra arquitectura y algoritmo propuestos, cumpliendo con los estrictos requisitos de precisión y capacidad en tiempo real en el contexto de UAV de ala fija con aterrizaje automático.