La percepción colaborativa de múltiples drones tiene como objetivo abordar las limitaciones del punto de vista de un solo dron. Los métodos de coincidencia y asociación existentes basados en características visuales y topología espacial dependen en gran medida de la detección, lo que dificulta asociar objetivos en condiciones de detección imperfectas. Para abordar este problema, se propone una Red de Asociación de Objetivos Basada en Grafos (GTA-Net) que utiliza la coincidencia de grafos para asociar los objetos clave antes de transformar afínmente y coincidir tanto los objetivos detectados como los no detectados. La Red de Detección de Objetos Clave (KODN) encuentra el objeto clave que es más probable que sea un Verdadero Positivo y más importante. La Red de Características de Grafos (GFN) trata los objetos clave como nodos de grafos y extrae la característica del grafo. El Módulo de Asociación utiliza la coincidencia de grafos para asociar los objetos de coincidencia más similares y una transformación afín iterable para asociar todos los objetos. Los resultados del experimento muestran que nuestro método logró una mejora del 42% en precisión en el conjunto de datos público. Los experimentos de ablación bajo simulación de detección imperfecta demuestran un rendimiento robusto.