鹅的体尺与体重是评估其生产性能与育种价值的关键指标。传统测量方法存在效率低且易产生应激等问题，本研究提出一种基于2D与3D视觉信息融合的非接触式鹅表型自动识别方法。本实验选取850只健康状况良好的鹅，在90～240日龄逐只捕捉鹅个体进行图像和体尺数据采集，最后对所有采集的数据进行筛选，剔除低质量数据，最终构成5 120组视觉-表型配对样本的数据集，设计以ResNet作为2D特征提取器和PointNet++作为3D特征提取器，并结合Transformer编码器进行特征融合的深度学习模型。结果表明：该方法在体尺与体重预测上的平均准确度达到95.3%（范围92.7%～97.3%），其中基于ResNet50的特征提取架构表现最佳，决定系数（R 2 ）达0.95，能够基本满足实际生产中的体尺体重数据获取需求。消融实验与模型验证进一步体现了多视角输入有效提升模型对姿态变化的鲁棒性，且最佳模型的参数规模与数据量呈显著正相关。各项结果均表明该模型能够在多姿态及多生长期场景下，实现对鹅个体表型的精准感知。本研究验证了该方法在无人工干预下快速、准确评估家禽生长状况的可行性，可为智慧养殖中的精准表型监测提供技术支撑。