图像配准是建立同一场景的图像之间的对应关系,在计算机视觉、医学图像处理、材料力学以及遥感等领域有广泛应用。单应矩阵估计是图像配准任务中的关键问题。由于实际成像系统存在几何畸变,线性仿射变换模型不准确,匹配对点坐标构成的是矛盾方程,因此传统方法对于单应矩阵估计并不可靠。深度学习提取大样本的内在规律和多尺度高维特征,通过数据驱动的方式拟合出更可靠的估计模型。在图像配准任务中,光照变化、实际数据缺少标签和深度网络模型复杂度都是基于深度网络图像配准的挑战。针对图像匹配光照变化的问题,在非对称卷积对的基础上构建了一种新的级联特征模块,该网络单元提高了特征维度,增加了在光照变化等复杂条件下提取特征的能力。针对前一网络全连接层参数复杂度高训练收敛慢的问题,提出采用联合注意力机制网络替代全连接层,利用注意力机制自动学习坐标偏移方程,通过移除全连接层减少参数,并且提高了深度配准网络的拟合精度。针对现实场景图像数据具有光照、多视角、缺标签等问题,基于前述网络提出一种弱监督学习方法。利用传统无监督算法估计无标签图像对的单应矩阵训练网络,基于图像对的坐标偏移量和重投影像素差构建了一个复合损失函数,实现了基于无标签现实场景图像集的弱监督学习。在基于MSCOCO和ICDAR 2019-LSVT自生成数据集以及Hpatches数据集和光照数据上验证了上述模型的鲁棒性。与主流的深度图像匹配算法比较,所提出的模型在参数规模和估计精度方面都体现出了优势。