机器人同步定位与地图构建(Simultaneous Localization and Mapping,简称SLAM)问题是实现移动机器人在未知环境中自我定位和导航的关键技术,广泛用于无人驾驶,智能家居,三维重建等领域,具有重大的理论意义和研究价值。闭环检测,是指机器人识别当前位置是否己经访问过,其结果可用于修正SLAM的全局校正,有效地减少构建地图的累积误差,对机器人实时更新地图和避免引入错误的地图节点起着关键作用,是SLAM中关键的一个模块。视觉数据信息量丰富,便于数学方法和图像处理技术处理,价格低廉,使用方便,因此被用在闭环检测中。因此,本文对基于视觉的SALM系统的闭环检测问题进行研究。本文的主要研究工作简述如下:本文利用视觉进行闭环检测,将闭环检测问题看作是图像检索问题,基于深度学习的思想,将Rand Net神经网络应用到闭环检测,并利用基于阈值的局部敏感哈希算法对其提取的图像特征匹配过程进行加速,最后基于数据集City Center和New College进行测试。测试结果表明,本文所提出的基于Rand Net的快速闭环检测方法,在保证高准确率的的前提下,特征提取速度提高3倍以上,且特征匹配速度提升了10倍,能够更好满足闭环检测的实时性需求。