Die Hypergraphen-Übereinstimmung ist ein nützliches Werkzeug, um Merkmalskorrespondenzen durch Berücksichtigung höherer struktureller Informationen zu finden. In jüngster Zeit hat die Anwendung von Deep Learning erhebliche Fortschritte bei der Übereinstimmung von Graphen erzielt und deutet auf ein großes Potenzial für Hypergraphen hin. Daher stellen wir in diesem Artikel, soweit uns bekannt, die erste einheitliche Lösung basierend auf einem Hypergraphen-Neuralen-Netzwerk (HNN) für die Hypergraphen-Übereinstimmung vor. Konkret konstruieren wir zunächst einen Assoziations-Hypergraphen über zwei zu vergleichende Hypergraphen und transformieren das Problem der Hypergraphen-Übereinstimmung in ein Knotenklassifizierungsproblem auf dem Assoziations-Hypergraphen. Anschließend entwerfen wir ein neuartiges Hypergraphen-Neurales-Netzwerk, um dieses Knotenklassifizierungsproblem effizient zu lösen. Da unsere Methode, HNN-HM genannt, end-to-end trainierbar ist, lernt sie alle ihre Komponenten gemeinsam und erreicht eine verbesserte Optimierung. Zur Evaluierung wird HNN-HM an verschiedenen Benchmarks getestet und zeigt gegenüber den aktuellen Stand der Technik deutliche Vorteile.