[目的]利用深度相机采集到的油桃数据在进行三维重建时，存在摄像头视野限制，导致油桃点云出现缺失的现象，严重影响油桃表型分析的准确度。为了提高油桃分级分类的准确率和工作效率，提出一种基于三维重建的油桃片外形参数估测方法。[方法]提出了一种基于真实结构的粗粒度点云生成网络(coarse-grained realistic structure with point cloud generation network, CGRSNet)。该网络首先通过编码、解码机制构建点云补全网络，通过新的采样算法对原始点云提取不同维度下的特征信息，提升油桃表型的特征提取能力，然后自解码器自上而下进行多维度点云补全，最终得到完整的油桃形状，最后用模型的参数预估模块预估油桃体积。利用多组参数构建的油桃几何模型离散成点云数据输入CGRSNet网络，得到油桃几何模型外形补全的预训练模型，再利用真实油桃点云数据对预训练模型CGRSNet做模型迁移的参数微调。[结果]该补全网络对油桃数据集补全结果的倒角距离为0.196 cm。经线性回归分析，得出体积估测的RMSE和R~2分数为2.47 cm~3和0.94,相较于PF-Net的RMSE和R~2分数提升约0.88 cm~3和0.01。[结论]本文提出的基于CGRSNet的油桃外形参数估测算法具有较好的实用性和精确度。