Las nubes de puntos normalizadas (NPCs) derivadas de datos de vehículos aéreos no tripulados de detección y medición por láser (UAV-LiDAR) se han aplicado para extraer información relevante del inventario forestal. Sin embargo, detectar las copas de los árboles a partir de puntos LiDAR normalizados topográficamente es un desafío si los árboles se encuentran en áreas de terreno empinado. En este estudio, se propuso un nuevo método de normalización de nubes de puntos basado en el método de terreno imitado (NPCIT) para reducir el efecto de la normalización de nubes de puntos de vegetación en la deformación de la copa en regiones con altos gradientes de pendiente, y se mejoró la capacidad del modelo de desplazamiento de detección de copas para cuantificar los desplazamientos de las copas y los cambios en la altura de los árboles, aunque el modelo no consideró la forma o el ángulo de la copa. Se utilizó una granja forestal en la región montañosa del centro-sur de China como área de estudio, y los datos de muestra mostraron que el desplazamiento de la copa detectado aumentó rápidamente en áreas empinadas. Con este trabajo, hicimos una importante contribución a los análisis teóricos utilizando el modelo de desplazamiento de detección de copas con NPCs UAV-LiDAR en tres niveles: el método, el modelo y el nivel de ejemplos. Nuestros hallazgos contribuyen al desarrollo de métodos más precisos para la identificación de la posición de las copas y la extracción de parámetros de altura de los árboles que involucran datos LiDAR.