单应估计是许多计算机视觉任务中的一个基本而重要的步骤。传统的单应估计方法是基于特征点匹配的，这在弱纹理图像中很难实现。深度学习已被应用于单应估计以提高其鲁棒性，但现有方法没有考虑目标尺度差异引起的多尺度问题，精度有限。为了解决上述问题，提出了一种用于单应估计的多尺度残差网络。该网络能够提取图像的多尺度特征信息，并利用多尺度特征融合模块对特征进行有效融合。此外，通过估计高山点的归一化偏移量，进一步降低了网络优化的难度。实验表明，该方法在MS-coco数据集上的平均角点误差仅为0.788像素，达到了亚像素精度，在99%的情况下上可以保持较高的精度。由于多尺度的特征信息和优化，该方法的精度得到了显著提高，具有较强的鲁棒性。