ハイパーグラフマッチングは、高次構造情報を考慮することで特徴対応を効果的に探索する有用な手法である。近年、ディープラーニングの活用によりグラフマッチング分野において著しい進展が見られ、その可能性がハイパーグラフに対しても示唆されている。そこで本論文では、筆者らの知る限りで初めての統一的なハイパーグラフニューラルネットワーク（HNN）によるハイパーグラフマッチングの解決策を提示する。具体的には、マッチング対象となる2つのハイパーグラフに対して、それらの間にアソシエーションハイパーグラフを構築し、ハイパーグラフマッチング問題をアソシエーションハイパーグラフ上のノード分類問題に変換する。その後、このノード分類問題を効果的に解くための新たなハイパーグラフニューラルネットワークを設計する。本手法はエンド・ツー・エンドで訓練可能であり、HNN-HMと名付けられた本手法は、最適化性能を向上させるためにすべての構成要素を統合的に学習する。評価実験において、HNN-HMは複数のベンチマークデータセットで最先端手法と比較して顕著な優位性を示した。