本文研究了在不同组别中对多个图进行联合匹配与聚类的问题，该问题在众多现实应用场景中自然出现。图匹配与图聚类本身均属于NP难问题，而由于两项任务之间存在天然的关联性，联合求解具有显著吸引力。本文采用一种渐进式分配（graduated assignment）算法，在迭代过程中实现软匹配与软聚类。通过引入两个独立的退火参数，分别调控双向约束与聚类置信度，从而有效协调匹配与聚类过程。该方法还可进一步用于端到端学习，其损失函数定义为两条匹配流水线之间的交叉熵，从而使得关键点特征提取卷积神经网络（CNN）能够在无需真实标签监督的情况下进行训练。在真实世界基准数据集上的实验结果表明，所提方法在性能上优于无学习类算法，并在与基于两图的监督式图匹配方法对比中展现出相当的竞争力。