随着机器人技术的发展和广泛应用,要求机器人能够智能自主感知周围环境和自身位置,为实现更高级别的任务提供位置和环境信息。视觉同步定位与建图（VSLAM）技术是实现机器人自主定位和环境感知的有效手段,成为近年来的研究热点。为了减少系统误差,得到全局一致的建图结果,会在系统中引入回环检测模块。传统的回环检测依靠人工设计的图像特征判断两幅场景图像的相似性,进而判断是否是回环。而近年来,随着深度学习的长足发展,基于卷积神经网络（CNN）的图像特征提取技术被认为优于基于传统人工特征的方法。CNN在解决回环检测的问题上,能够避免传统方法易受光照等环境因素干扰的缺点。本文将利用深度学习的方法对回环检测进行以下研究:首先,针对目前基于CNN预训练模型的回环检测算法中使用PCA降维存在检测精度降低的问题,提出了一种基于KPCA降维的CNN回环检测算法。该方法使用KPCA对经由CNN预训练模型提取到的特征矩阵进行降维,并提出约束验证策略以提高检测精度。在两种CNN模型,VGG16和Res Net34上进行降维方法的对比,实验结果表明KPCA将特征矩阵降维到100维后拥有更高的准确率。在加入约束验证策略后,本文所提出的算法对比传统方法和其他基于深度学习的方法有较大提升,在PR曲线和平均精度上有更好的表现。然后,针对基于深度学习回环检测中使用CNN预训练模型无法充分利用深度学习端到端的优势的问题,提出一种端到端的图像特征提取-聚合回环检测网络。该网络使用Res2Net残差结构和通道注意力机制对Res Net50网络进行改进,作为网络中的特征提取器,结合Net VLAD层对图像特征进行聚合,并使用弱监督三元组排序损失函数训练网络模型。在Pittsburgh250k数据集上的实验表明,所提出的网络对比改进前的Net VLAD和轻量级Mobile Net VLAD在Recall@N的指标下有更好的表现,能够完成回环检测中同一地点的识别任务,并且相较于仅使用CNN预训练模型的方法有较大性能提升。最后,将所提出的Res2Net-SE-Net VLAD网络用于改进基于CNN的DXSLAM系统,实现理论在SLAM系统层面上的应用。本文使用Res2Net-SE-Net VLAD网络替换DXSLAM中的全局特征提取线程,实现对其重定位和回环检测模块的改进。通过采用局部深度特征计算相似度,全局深度特征排除伪关键帧的方式完成回环检测。实验中使用带有回环属性的TUM数据集进行测试,对本文改进系统、DXSLAM系统和ORB-SLAM2系统进行多个角度的对比,实验结果表明改进后的系统在绝对轨迹误差和相对轨迹误差上均有所降低,能够提高DXSLAM系统的定位精度。本文研究内容选自国家自然科学基金项目《卫星信号拒止环境下异构多机器人协同建图与自主定位研究》中VSLAM系统的视觉回环检测关键环节,帮助机器人系统识别曾到达地点,进而优化系统定位与建图结果。