Wir stellen einen neuen Übereinstimmungsalgorithmus namens DeepMatching vor, der dichte Korrespondenzen zwischen Bildern berechnet. DeepMatching basiert auf einer hierarchischen, mehrschichtigen Korrelationsarchitektur, die speziell für die Bildübereinstimmung entworfen wurde und sich an tiefen konvolutionellen Ansätzen orientiert. Der vorgeschlagene Übereinstimmungsalgorithmus kann nicht-rigid deformierte Strukturen sowie wiederholende Texturen bewältigen und ermöglicht effizient die Bestimmung dichter Korrespondenzen, selbst bei erheblichen Unterschieden zwischen den Bildern. Wir bewerten die Leistungsfähigkeit von DeepMatching im Vergleich zu aktuellen Stand der Technik-Algorithmen anhand der Datensätze Mikolajczyk (Mikolajczyk et al. 2005), MPI-Sintel (Butler et al. 2012) und Kitti (Geiger et al. 2013). DeepMatching übertrifft die aktuellen State-of-the-Art-Verfahren und zeigt insbesondere bei wiederholenden Texturen hervorragende Ergebnisse. Außerdem stellen wir eine Methode zur Schätzung von Optischem Fluss vor, namens DeepFlow, die DeepMatching in den Ansatz des großen Verschiebungs-optischen Flusses (Large Displacement Optical Flow, LDOF) von Brox und Malik (2011) integriert. Dank unseres Übereinstimmungsansatzes wird gegenüber bestehenden Übereinstimmungsalgorithmen eine zusätzliche Robustheit gegenüber großen Verschiebungen und komplexen Bewegungen erreicht. DeepFlow erzielt auf öffentlichen Benchmarks für die optische Flussabschätzung konkurrenzfähige Ergebnisse.