La cría de cerdos es un sector crucial en la ganadería animal global. Los datos de peso y dimensiones corporales de los cerdos reflejan su estado de crecimiento y desarrollo, sirviendo como métricas vitales para evaluar su progreso. Actualmente, el peso y las dimensiones corporales de los cerdos se miden predominantemente de forma manual, lo que plantea desafíos como dificultades en el manejo, respuestas de estrés en los cerdos y el control de enfermedades zoonóticas. Para abordar estos problemas, este estudio propone un modelo de estimación de peso y medición corporal sin contacto basado en datos de nubes de puntos de los lomos de los cerdos. Se instaló una cámara de profundidad sobre una balanza para adquirir datos de nubes de puntos 3D de 258 cerdas cruzadas Yorkshire-Landrace. Seleccionamos 200 cerdas Yorkshire-Landrace como sujetos de investigación y aplicamos técnicas de filtrado y eliminación de ruido a sus datos de nubes de puntos tridimensionales. Posteriormente, se empleó un algoritmo de segmentación por agrupamiento K-means para extraer la nube de puntos correspondiente a los lomos de los cerdos. Se estableció una red neuronal convolucional con atención de múltiples cabezas para la predicción del peso de los cerdos y se añadió información RGB como una característica adicional. Durante el proceso de procesamiento de datos, también medimos la información del tamaño corporal de la espalda de los cerdos. Durante la evaluación del modelo, se seleccionaron específicamente 58 cerdas Yorkshire-Landrace para la evaluación experimental. En comparación con las mediciones manuales, la estimación de peso mostró un error absoluto promedio de 11.552 kg, un error relativo promedio de 4.812% y un error cuadrático medio de 11.181 kg. Específicamente, para el MACNN, la incorporación de información RGB como una característica adicional resultó en una disminución de 2.469 kg en el RMSE, una disminución de 0.8% en el MAPE y una disminución de 1.032 kg en el MAE. Las mediciones del ancho de los hombros, el ancho abdominal y el ancho de la cadera arrojaron errores relativos promedio correspondientes de 3.144%, 3.798% y 3.820%. En conclusión, se estableció una red neuronal convolucional con atención de múltiples cabezas para la predicción del peso de los cerdos, y la incorporación de información RGB como un método de característica adicional demostró precisión y fiabilidad para la estimación de peso y la medición de dimensiones corporales.