La navegación visual basada en la coincidencia de imágenes se ha convertido en uno de los campos de investigación más importantes para que los UAV logren una navegación autónoma, debido a su bajo costo, fuerte capacidad de resistencia a interferencias y alto rendimiento. Actualmente, se han propuesto numerosos métodos de posicionamiento y navegación basados en información visual para la navegación de UAV. Sin embargo, la apariencia, forma, color y textura de los objetos pueden cambiar significativamente debido a diferentes condiciones de iluminación, sombras y cobertura de superficie durante diferentes estaciones, como la cobertura vegetal en verano o la cobertura de hielo y nieve en invierno. Estos cambios plantean mayores desafíos para los métodos de coincidencia de imágenes basados en características. Esto nos motivó a superar las limitaciones de trabajos anteriores, que no consideraron cambios estacionales significativos como las imágenes aéreas de UAV cubiertas de nieve, proponiendo un método de coincidencia de imágenes utilizando imágenes aéreas de UAV que cambian con las estaciones y imágenes de satélite. Siguiendo el flujo de trabajo de una red neuronal convolucional profunda de dos canales, primero preescalamos las imágenes aéreas de UAV, asegurando que las imágenes aéreas de UAV y las imágenes de satélite tuvieran la misma distancia de muestreo en el suelo. Luego, introdujimos mecanismos de atención para proporcionar supervisión adicional tanto para características locales de bajo nivel como para características globales de alto nivel, resultando en una nueva representación de características específicas de la temporada. La similitud entre los parches de imagen se calculó utilizando una capa de medición de similitud compuesta por dos capas completamente conectadas. Posteriormente, realizamos coincidencia de plantillas para estimar la posición de coincidencia del UAV con la mayor similitud. Finalmente, validamos nuestro método propuesto en conjuntos de datos de imágenes aéreas de UAV tanto sintéticas como reales, y realizamos comparaciones directas con trabajos populares anteriores. Los resultados experimentales demostraron que nuestro método logró la mayor precisión de coincidencia en imágenes multitemporales y multisasonales.