En tareas como la reparación de defectos en la madera y la producción de muebles de madera de alta gama, asegurar la consistencia de la textura en áreas reparadas o unidas es crucial. Este documento propone el modelo WTSM-SiameseNet para la coincidencia de similitud de textura de madera e introduce varias mejoras para abordar los problemas presentes en los métodos tradicionales. Primero, para abordar el problema de que los campos receptivos fijos no pueden adaptarse a texturas de diferentes tamaños, se diseñó una red de extracción de características de fusión de múltiples campos receptivos. Esto permite que el modelo seleccione de manera autónoma el campo receptivo óptimo, mejorando su flexibilidad y precisión al manejar texturas de madera a diferentes escalas. En segundo lugar, las interdependencias entre capas en los mecanismos de atención serial tradicionales limitan el rendimiento. Para abordar esto, se diseñó un mecanismo de atención concurrente, que reduce la interferencia entre capas utilizando una estructura paralela de doble flujo que mejora la capacidad de capturar características. Además, para superar los problemas de los métodos de fusión de características existentes que interrumpen la estructura espacial y carecen de interpretabilidad, este estudio propone un método de fusión de características basado en la correlación de características. Este enfoque no solo preserva la estructura espacial de las características de textura, sino que también mejora la interpretabilidad y estabilidad de las características fusionadas y del modelo. Finalmente, al introducir convoluciones separables en profundidad, se aborda el problema de un gran número de parámetros del modelo, mejorando significativamente la eficiencia del entrenamiento mientras se mantiene el rendimiento del modelo. Se realizaron experimentos utilizando un conjunto de datos de similitud de textura de madera que consta de 7588 pares de imágenes. Los resultados muestran que WTSM-SiameseNet logró una precisión del 96.67% en el conjunto de prueba, lo que representa una mejora del 12.91% en precisión y una mejora del 14.21% en precisión en comparación con el SiameseNet pre-mejorado. En comparación con CS-SiameseNet, la precisión aumentó en un 2.86% y la precisión mejoró en un 6.58%.