L’appariement d’hypergraphes est un outil utile pour établir des correspondances entre caractéristiques en tenant compte d’informations structurelles d’ordre supérieur. Récemment, l’intégration du deep learning a permis des progrès significatifs dans le domaine du matching de graphes, ouvrant ainsi des perspectives prometteuses pour les hypergraphes. Dans ce travail, nous proposons, à notre connaissance, la première solution unifiée basée sur un réseau de neurones pour hypergraphes (HNN) dédiée au matching d’hypergraphes. Plus précisément, étant donné deux hypergraphes à appairer, nous construisons d’abord un hypergraphe d’association sur ces deux structures, puis reformulons le problème d’appariement d’hypergraphes en un problème de classification de nœuds sur cet hypergraphe d’association. Ensuite, nous concevons un nouveau réseau de neurones pour hypergraphes afin de résoudre efficacement ce problème de classification. Doté d’une capacité d’entraînement end-to-end, la méthode proposée, nommée HNN-HM, apprend simultanément tous ses composants de manière optimisée, conduisant à une amélioration de la performance globale. En évaluation, HNN-HM est testée sur divers benchmarks et démontre un avantage clair par rapport aux méthodes de pointe actuelles.