Nous introduisons un nouvel algorithme de correspondance, appelé DeepMatching, destiné à calculer des correspondances denses entre images. DeepMatching repose sur une architecture hiérarchique et multi-couches basée sur la corrélation, spécifiquement conçue pour la correspondance d’images, et s’inspire des approches profondes à convolution. L’algorithme de correspondance proposé est capable de gérer les déformations non rigides et les textures répétitives, tout en déterminant efficacement des correspondances denses même en présence de fortes variations entre les images. Nous évaluons les performances de DeepMatching, en comparaison avec les algorithmes de correspondance les plus avancés, sur les jeux de données Mikolajczyk (Mikolajczyk et al., 2005), MPI-Sintel (Butler et al., 2012) et Kitti (Geiger et al., 2013). DeepMatching surpasser les méthodes de pointe et obtient des résultats particulièrement remarquables pour les textures répétitives. Nous proposons également une méthode pour l’estimation du flux optique, nommée DeepFlow, en intégrant DeepMatching dans l’approche de flux optique à grands déplacements (LDOF) de Brox et Malik (2011). Grâce à notre approche de correspondance, DeepFlow bénéficie d’une robustesse accrue aux grands déplacements et aux mouvements complexes, par rapport aux algorithmes de correspondance existants. DeepFlow atteint des performances compétitives sur les benchmarks publics dédiés à l’estimation du flux optique.