La viabilidad de utilizar sensores de profundidad para medir el tamaño corporal del ganado ha sido ampliamente probada. La mayoría de los métodos existentes solo son capaces de medir el tamaño corporal de un ganado específico en un fondo específico. En este estudio, propusimos un método único de medición del tamaño corporal del ganado utilizando aprendizaje profundo. Al entrenar los datos de ganado vacuno y cabras con los mismos puntos característicos, se pueden medir diferentes tamaños de animales bajo diferentes fondos. Primero, se introdujo una función de penalización novedosa y un modelo autorregresivo para reconstruir la imagen de profundidad con súper resolución, y se redujo el efecto de la distancia y la iluminación en la imagen de profundidad. En segundo lugar, bajo la red neuronal U-Net, se adoptaron las características exhibidas por el módulo de atención y el DropBlock para mejorar la robustez de la segmentación del fondo y el tronco. Por último, este estudio explotó inicialmente la idea de la ubicación de puntos articulares humanos para localizar con precisión los puntos característicos del cuerpo del ganado, y se midió con precisión el ganado. Según los resultados, la precisión promedio de este método fue del 93.59%. Los puntos clave correctos para detectar los puntos de la cruz, los puntos de los hombros, la parte más superficial del pecho, el punto más alto de los huesos de la cadera y la tuberosidad isquiática tuvieron porcentajes del 96.7%, 89.3%, 95.6%, 90.5% y 94.5%, respectivamente. Además, los errores relativos medios de la altura de la cruz, la altura de la cadera, la longitud del cuerpo y la profundidad del pecho fueron solo del 1.86%, 2.07%, 2.42% y 2.72%, respectivamente.