En oftalmología, el problema de registro consiste en encontrar una transformación geométrica que alinee un par de imágenes, apoyando a los especialistas en cuidado de los ojos que necesitan registrar y comparar imágenes del mismo paciente. Considerando los métodos de registro para el manejo de imágenes de fondo de ojo, la literatura ofrece solo un número limitado de propuestas basadas en aprendizaje profundo (DL), cuyas implementaciones utilizan el paradigma de aprendizaje supervisado para entrenar un modelo. Además, garantizar registros de alta calidad y al mismo tiempo ser lo suficientemente flexibles para abordar una amplia gama de imágenes de fondo de ojo es otra desventaja enfrentada por la mayoría de los métodos existentes en la literatura. Por lo tanto, en este documento abordamos los problemas mencionados anteriormente al presentar un nuevo marco basado en DL para el registro de fondo de ojo. Nuestra metodología combina una red neuronal convolucional completamente en forma de U con un esquema de aprendizaje de transformación espacial, donde una métrica de similitud sin referencia permite el registro sin asumir ningún dato preanotado o creado artificialmente. Una vez entrenado, el modelo es capaz de alinear con precisión pares de imágenes capturadas bajo varias condiciones, que incluyen la presencia de diferencias anatómicas y fotografías de baja calidad. En comparación con otros métodos de registro, nuestro enfoque logra mejores resultados de registro al pasar como entrada el par deseado de imágenes de fondo de ojo.