近年来移动机器人技术得到了快速发展,尤其是无人驾驶车技术更是引起了国内外学者的关注。无人驾驶车要想完成自主导航、环境探索等任务,首先要具有并行进行自主定位和环境地图构建的能力,这就是移动机器人领域一直备受关注的同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)问题。在面向大范围室外环境的SLAM研究中,基于图的方法是当前的研究热点。图中的节点对应无人车在不同时刻的位姿,图中的边代表了不同位姿间的空间约束关系。本文针对基于图的SLAM的前端构图、闭环检测及后端优化三个环节展开系统研究。为了给无人驾驶车提供连续位姿序列,研究中采用基于双目视觉系统进行立体视觉图像匹配,计算出无人车连续位姿间的旋转平移关系,并以此为基础完成优化前的位姿拓扑地图构建。无人驾驶车在行驶中需要进行在线闭环检测以提供额外的空间约束,从而实现位姿拓扑地图的优化。本文采用了一种基于ORB图像特征和BoW模型的闭环检测算法,并利用时间连续性约束和几何一致性约束来避免错误的闭环匹配对,从而提升闭环匹配的正确率。位姿拓扑地图的后端优化采用了经典的高斯-牛顿优化方法,并且在迭代过程中充分考虑了系统信息矩阵的稀疏性。利用稀疏的Cholesky分解对矩阵方程进行求解,提高了计算速率。最终实现了系统误差的最小化,得到一幅校正的无人车位姿极大似然拓扑图。为了验证本文研究方法的有效性,利用实验室自主研发的Smart-Cruiser无人驾驶车平台在校园环境进行了实验。实验结果表明本文所提的闭环检测算法能够实时准确的检测出无人驾驶车行驶过程发生闭环的区域,为后端优化提供有效的空间约束。