闭环检测是同步定位与建图（Simultaneous Localization and Mapping,SLAM）中的一个重要环节,能够有效降低系统的累积误差。深度学习近年来发展迅猛,尤其是对图像的处理表现卓越,为VSLAM（Visual SLAM,VSLAM）带来了一个崭新的研究方向。目前主流的网络模型难以有效地提取不同尺寸图像的深层信息,限制了闭环检测准确率的提升。此外,在检索历史图像时通常使用逐帧计算的方式进行检索,但是这种方法耗时较长。因此,本文针对上述问题对图像特征提取与历史图像检索进行研究,对VSLAM算法鲁棒性的增强,系统实时性的提高,具有重要的研究意义和应用价值。首先,本文阐述了VSLAM和闭环检测的国内外研究现状,以及VSLAM系统框架,并着重对闭环检测和深度学习的理论进行了研究,设计了一个基于深度学习的VSLAM系统,将系统中的闭环检测模块作为关键的研究内容。其次,本文深入研究网络模型对闭环检测中场景图像特征的提取。针对目前主流的网络模型提取的特征向量的维度高,计算量大,且网络模型在提取特征前需要对图像进行尺度变换,容易损失部分有用信息,易出现在召回率较高的情况下准确率较低的问题,设计了一种能够提取不同尺寸图像的深层信息并能够输出低维特征向量的网络模型。该算法以Res Ne St网络模型作为主干网络,结合本文设计的自适应池化窗口（Adaptive Pooling Window,APW）,共同构建Res Ne St-APW模型,并采用局部线性嵌入（Locally Linear Embedding,LLE）算法对网络模型提取的特征向量进行降维。在VSLAM公开的数据集上的实验结果表明,该算法能够有效地保留图像更多的有用信息,且提取的图像特征有较强的鲁棒性,在较高召回率条件下,有效地提高了闭环检测的准确率。然后,本文针对在检索历史图像时,使用逐帧计算的方式进行检索,存在耗时长的问题,提出多模块检索方法。该方法结合了逐帧检索方法和超级字典检索方法的优点,在超级字典的基础上进行改进,并结合多线程并行计算的优势,同时计算多帧历史图像与当前图像的相似度,减少历史图像检索的耗时,提高系统的实时性。在VSLAM公开的数据集上的实验结果证实了多模块检索方法的可行性,提升了闭环检测的时间性能。最后,在VSLAM相关算法中完成本文所提算法的设计,并在TUM数据集中进行仿真实验,以及结合实验室机器人的软硬件平台在真实环境中进行VSLAM实验,验证本文提出的闭环检测算法的可行性。实验结果证明,本文提出的闭环检测算法是可行的,不仅减少了建图过程中产生的累积误差,提高建图的质量,还提高了VSLAM系统的实时性。