El grosor de la grasa dorsal (BF) está estrechamente relacionado con la vida útil y el rendimiento reproductivo de las cerdas. El monitoreo dinámico de la BF de las cerdas es una parte crítica del proceso de producción en granjas porcinas a gran escala. Este estudio propuso la aplicación de un modelo híbrido CNN-ViT (Vision Transformer, ViT) para medir la BF de las cerdas con el fin de abordar los problemas de alta intensidad de medición causados por la medición de contacto tradicional de la BF de las cerdas y la baja eficiencia de los modelos no contactantes existentes para medir la BF de las cerdas. El CNN-ViT introdujo convolución separable en profundidad y autoatención ligera, compuesto principalmente por una Unidad Pre-local (PLU), un ViT Ligero (LViT) y una Unidad Residual Invertida (IRU). Este modelo podría extraer características locales y globales de las imágenes, haciéndolo más adecuado para conjuntos de datos pequeños. El modelo se probó en 106 cerdas preñadas con siete conjuntos de datos divididos aleatoriamente. Los resultados mostraron que el CNN-ViT tenía un Error Absoluto Medio (MAE) de 0,83 mm, un Error Cuadrático Medio (RMSE) de 1,05 mm, un Error Porcentual Absoluto Medio (MAPE) de 4,87% y un coeficiente de determinación (R-cuadrado, R) de 0,74. En comparación con LviT-IRU, PLU-IRU y PLU-LviT, el MAE de CNN-ViT disminuyó en más del 12%, el RMSE disminuyó en más del 15%, el MAPE disminuyó en más del 15% y R^2 mejoró en más del 17%. En comparación con Resnet50 y ViT, el MAE de CNN-ViT disminuyó en más del 7%, el RMSE disminuyó en más del 13%, el MAPE disminuyó en más del 7% y R mejoró en más del 15%. El método podría satisfacer mejor la demanda de medición automática no contactante de la BF de las cerdas preñadas en la producción real y proporcionar apoyo técnico para la gestión inteligente de las cerdas preñadas.