Los datos fenotípicos del algodón pueden reflejar con precisión el estado fisiológico de las plantas y su adaptabilidad a las condiciones ambientales, desempeñando un papel significativo en la selección de recursos de germoplasma y la mejora genética. Por lo tanto, este estudio propone un algoritmo de extracción de datos fenotípicos del algodón que integra ResDGCNN con un método de crecimiento de regiones mejorado y construye un conjunto de datos de nubes de puntos 3D de algodón que abarca todo el período de crecimiento en condiciones de crecimiento reales. Para abordar el desafío de las variaciones estructurales significativas en los órganos del algodón a través de diferentes etapas de crecimiento, diseñamos un innovador algoritmo de segmentación de nubes de puntos, ResDGCNN, que integra el aprendizaje residual con la convolución de gráficos dinámicos para mejorar el rendimiento de la segmentación de órganos en todas las etapas de desarrollo. Además, para abordar el desafío de segmentar con precisión las regiones superpuestas entre diferentes órganos del algodón, introdujimos una estrategia de optimización que combina el mapeo de distancia de puntos con vectores normales basados en la curvatura y desarrollamos un algoritmo de crecimiento de regiones mejorado para lograr una segmentación fina de múltiples órganos del algodón, incluidos hojas, tallos y yemas florales. Los datos experimentales muestran que, en la tarea de segmentación de órganos a lo largo de todo el ciclo de crecimiento del algodón, el modelo ResDGCNN logró una precisión de segmentación del 67.55%, con una mejora del 4.86% en mIoU en comparación con el modelo base. En la segmentación de hojas superpuestas de grano fino, el modelo logró un R de 0.962 y un RMSE de 2.0. El error relativo promedio en la estimación de la longitud del tallo fue de 0.973, proporcionando una solución confiable para adquirir datos fenotípicos 3D del algodón.