La segmentación precisa de la estructura de poros del suelo es crucial para estudiar la migración del agua en el suelo, el ciclo de nutrientes y el intercambio de gases. Sin embargo, las imágenes de TC de bajo contraste y alto ruido en entornos de suelo complejos hacen que los métodos de segmentación tradicionales tengan deficiencias evidentes en precisión y robustez. Este artículo propone un modelo híbrido que combina un algoritmo de Reconstrucción de Baja Frecuencia Multi-Modal (MMLFR) y UNet (MMLFR-UNet). MMLFR mejora la expresión de características clave extrayendo las señales de baja frecuencia de la imagen y suprimiendo la interferencia de ruido a través de la descomposición espectral multi-escala, mientras que UNet destaca en la restauración de detalles de segmentación y el procesamiento de límites de complejidad gracias a su estructura de codificación-decodificación y al mecanismo de conexión de salto. En este artículo, se recolectó una columna de suelo no perturbado en la provincia de Hainan, China, clasificada como Ferralsols (FAO/UNESCO), y se utilizaron escaneos de TC para adquirir imágenes de alta resolución y generar conjuntos de datos de alta calidad adecuados para el aprendizaje profundo a través de operaciones de preprocesamiento como muestreo de capas fijas, recorte y mejora. Los resultados muestran que MMLFR-UNet supera a UNet y a métodos tradicionales (por ejemplo, Otsu y Fuzzy C-Means (FCM)) en términos de Intersección sobre Unión (IoU), Coeficientes de Similitud de Dados (DSC), Precisión de Píxeles (PA) y similitud de límites. Es notable que este modelo exhibe una robustez y precisión excepcionales en tareas de segmentación que involucran estructuras de poros complejas e imágenes de bajo contraste.