准确测量结构表型，如植物高度和冠层宽度，对于人工照明植物工厂（Plant Factories with Artificial Lighting， PFALs）生菜种植的科学管理至关重要。在这项研究中，开发一个多模态图像融合模型，使用可见光图像 （RGB）、深度图像 （Depth，depth images）和红外图像（IR，infrared images）来提取PFAL环境中的生菜表型。提出了一种残差空间信息增强模块（Residual Space information enhancement module，DRS）和一种具有IR特征自适应权重优化的融合特征补充方法（IRC），以解决传统基于RGB的模型空间感知较弱和照明干扰导致 RGB 特征丢失的问题。选取3个生菜品种（Bixiao、Huqian、Mondai）作为实验对象，以评估所提出的模型的稳健性。在消融实验中，DRS 改进的基准模型在 MAP0.75和 MAP0.5:0.95方面分别提高了1.6%和0.9%。IRC 改进的基准模型在 MAP0.5、MAP0.75 和 MAP0.5：0.95 方面分别提高了 0.2%、0.6% 和 1.2%。此外，当两个模块组合时，MAP0.5、MAP0.75 和 MAP0.5：0.95 值分别增加了 0.3%、3.3% 和 2.3%。与人工测量的株高和冠层宽度相比，3个品种的平均株高预测结果的均方根误差（Root Mean Square Error，RMSE）为0.74，均方误差（Mean Squared Error，MSE）为0.55。对于冠层宽度，模型预测结果的 RMSE 为 0.70，MSE 为 0.49。在照明影响实验中，此方法在多个数据集的 MAP0.5、MAP0.75 和 MAP0.5:0.95 方面比未改进的模型高出约 0.3-4%。提出的模型有效地解决了照明干扰问题，增强了基线模型在不同光照条件下的鲁棒性，提高了空间感知能力，促进了模型特征提取阶段相邻植物特征的分离，增强了模型的检测能力，并最终提高了表型提取能力。