La estimación de homografía es un componente crítico en muchas tareas de visión por computadora. Sin embargo, la mayoría de los métodos profundos de homografía se centran en extraer características locales e ignoran las características globales o la relación correspondiente entre características de dos imágenes o fotogramas de video. Estos métodos son efectivos para el alineamiento de pares de imágenes con pequeños desplazamientos. En este documento, proponemos una Red de Estimación de Homografía Consciente del Contenido en Multi-Escalas y Etapas No Supervisada (MS2CA-HENet). En el marco, utilizamos imágenes de entrada en múltiples escalas para diferentes etapas para hacer frente a diferentes escalas de transformaciones. En cada etapa, consideramos características locales y globales a través de nuestro ConvNet (SAC) aumentado con Autoatención. Además, el emparejamiento de características se mejora explícitamente utilizando módulos de emparejamiento de características. Al reducir el residuo de error de cada etapa, nuestra red logra resultados de grueso a fino. Los experimentos muestran que nuestro MS2CA-HENet logra mejores resultados que otros métodos.