En las aplicaciones de cría animal, segmentar cerdos vivos en entornos agrícolas complejos enfrenta muchos desafíos, como cuando los cerdos lamen barandas y defecan dentro del entorno de adquisición. El comportamiento del cerdo hace que la segmentación de nubes de puntos sea más compleja porque se deben considerar los comportamientos animales dinámicos y los cambios ambientales. Esto requiere además que los algoritmos de segmentación de nubes de puntos mejoren la capacidad de captura de características. Con el fin de abordar los desafíos asociados con la segmentación precisa de datos de nubes de puntos recopilados en escenarios del mundo real complejos, como la oclusión y los cambios de postura de los cerdos, este estudio utiliza PointNet++. Se emplea el método de agrupación SoftPool para implementar un modelo PointNet++ que puede lograr una segmentación precisa de nubes de puntos para cerdos vivos en entornos complejos. En primer lugar, el modelo PointNet++ se modifica para que sea más adecuado para los cerdos ajustando sus parámetros relacionados con la extracción de características y campos sensoriales. Luego, la capacidad del modelo para capturar los detalles de las características de la nube de puntos se mejora aún más utilizando SoftPool como método de agrupación de características de nube de puntos. Finalmente, se utilizan técnicas de registro, filtrado y extracción para preprocesar las nubes de puntos antes de integrarlas en un conjunto de datos para su anotación manual. La capacidad de segmentación del modelo PointNet++ mejorado se validó y redefinió con el conjunto de datos de nubes de puntos de cerdos. A través de experimentos, se demostró que el modelo mejorado tiene una mejor capacidad de aprendizaje en 529 conjuntos de datos de nubes de puntos de cerdos. El valor óptimo de la Intersección sobre la Unión media (mIoU) se registró en un 96.52% y la precisión en un 98.33%. Este estudio ha logrado la segmentación automática de cerdos altamente superpuestos y nubes de puntos de corral. Este avance permite futuras aplicaciones en la cría animal, como la estimación del peso y tamaño corporal basada en nubes de puntos 3D.