Récemment, les méthodes fondées sur l'apprentissage profond ont montré des résultats prometteurs sur le problème d'appariement de graphes, en s'appuyant sur la capacité descriptive des caractéristiques profondes extraites à partir des nœuds des graphes. Toutefois, une limitation majeure des méthodes actuelles d'appariement de graphes profondes (DGM) réside dans leur ignorance des contraintes explicites relatives à la structure des graphes, ce qui peut conduire le modèle à s'arrêter dans des minima locaux lors de l'entraînement. Dans cet article, nous proposons de formuler explicitement les structures de graphes par paires sous la forme d'une contrainte quadratique intégrée au cadre DGM. Cette contrainte quadratique minimise le désaccord structural entre les paires de graphes, réduisant ainsi les ambigüités dues uniquement à l'utilisation des caractéristiques extraites par CNN.En outre, nous présentons une implémentation différentiable de l'optimisation sous contrainte quadratique, afin de garantir sa compatibilité avec les optimiseurs d'apprentissage profond non contraints. Pour offrir une supervision plus précise et appropriée, nous proposons une perte d'appariement erroné soigneusement conçue pour lutter contre le déséquilibre de classes, qui pénalise de manière plus efficace les faux négatifs et les faux positifs, tout en limitant le surajustement. Des expériences exhaustives démontrent que notre méthode atteint des performances compétitives sur des jeux de données du monde réel.