La altura es un factor clave en el monitoreo del estado y la tasa de crecimiento de los cultivos. En comparación con las imágenes de teledetección satelital a gran escala y los costosos nubes de puntos LiDAR, la nube de puntos generada por el algoritmo Estructura a partir del Movimiento (SfM) basado en imágenes de UAV puede estimar rápidamente la altura de los cultivos en el área objetivo a un costo menor. Sin embargo, las hojas de los cultivos comienzan a cubrir gradualmente el suelo desde el inicio de la etapa de elongación del tallo, haciendo que cada vez más puntos del suelo debajo del dosel desaparezcan en los datos. Las ondulaciones del terreno y los valores atípicos afectarán seriamente la precisión de la estimación de altura. Este artículo propuso un método de ajuste de puntos del suelo para estimar la altura del trigo de invierno basado en la nube de puntos SfM de UAV. Se diseñó un filtro de corte de dosel para reducir la interferencia de los puntos del dosel medio y los valores atípicos. Se aplicó el Consenso de Muestra Aleatoria (RANSAC) para obtener los puntos del suelo a partir de la nube de puntos filtrada válida. Luego, los puntos del suelo faltantes se ajustaron de acuerdo con los puntos del suelo conocidos. Además, logramos el monitoreo de la altura de los cultivos en la etapa de elongación del tallo con un R2 de 0.90. El error cuadrático medio relativo (RRMSE) de la estimación de altura fue del 5.9%, y el error absoluto medio relativo (RMAE) fue del 4.6% en la etapa de elongación del tallo. Este artículo propuso el filtro de corte de dosel y el ajuste de puntos del suelo faltantes. Se concluyó que el filtro de corte de dosel optimizó con éxito la extracción de puntos del suelo y eliminó los valores atípicos. Ajustar los puntos del suelo faltantes simuló efectivamente las ondulaciones del terreno y mejoró la precisión.