A medida que la cría intensiva y a gran escala de cerdos de engorde se ha vuelto predominante, el aumento del tamaño de las granjas ha llevado a problemas más graves relacionados con la jerarquía dentro de los grupos de cerdos. Debido a las diferencias genéticas entre los cerdos de engorde individuales, aquellos que crecen más rápido disfrutan de un rango social más alto. Los cerdos más grandes con mayor agresividad adquieren continuamente más recursos, restringiendo aún más el espacio de supervivencia de los cerdos más débiles. Por lo tanto, los cerdos de engorde deben agruparse de manera racional y la gestión de los cerdos más débiles debe mejorarse. Este estudio, considerando las necesidades actuales de cría de cerdos de engorde y los entornos de producción reales, diseñó e implementó un sistema de clasificación inteligente basado en la estimación del peso. La estructura principal del hardware del equipo de partición incluye un canal de recolección, un canal de partición y un equipo de recolección de estilo de puente grúa. Se recopilaron datos experimentales y se preprocesó la nube de puntos de la escena original para extraer la nube de puntos trasera de los cerdos de engorde. Basándose en las características morfológicas de los cerdos de engorde, se utilizó el método de segmentación de la nube de puntos trasera para extraer automáticamente características clave como el ancho de cadera, la altura de cadera, el ancho de hombros, la altura de hombros y la longitud del cuerpo. El algoritmo de segmentación primero calcula el centroide de la nube de puntos y los autovectores de la matriz de covarianza para reconstruir el sistema de coordenadas de la nube de puntos. Luego, basándose en las características de variación y forma geométrica de las rebanadas horizontales consecutivas de la nube de puntos, se extraen las rebanadas de ancho de cadera y ancho de hombros, y se calculan las características relacionadas. La estimación del peso se realizó utilizando modelos de Random Forest, perceptrón multicapa (MLP), regresión lineal basada en el método de mínimos cuadrados y regresión ridge, con ajuste de parámetros utilizando optimización bayesiana. El error cuadrático medio, el error absoluto medio y el error relativo medio se utilizaron como métricas de evaluación para evaluar el rendimiento del modelo. Finalmente, la capacidad de clasificación se evaluó utilizando los pesos medianos y promedio de los cerdos de engorde como estándares de partición. Los resultados experimentales muestran que el error relativo promedio del sistema en la estimación del peso es aproximadamente del 2.90%, y el tiempo total para el proceso de partición es inferior a 15 s, lo que satisface las necesidades de producción práctica.