移动机器人的闭环检测这一环节是机器人同时定位和地图构建(SLAM)中判断自身是否需要更新地图的关键步骤。由于机器人自身视觉传感器等因素引起的误差，不能保证闭环检测的准确度。因此，本文对现有闭环检测算法主要步骤存在的问题展开分析，主要研究内容如下：　　首先，概述课题研究意义和背景，对视觉闭环检测算法的研究现状和一些关键问题进行分析，详细分析了SLAM的基本方法以及闭环检测中常用的一些特征检测算法，为后续的研究提供理论模型和依据。　　其次，针对图像关键点匹配准确性差的问题，采用基于颜色特征结合改进加速鲁棒特征算法(SURF)的图像匹配算法。利用颜色特征进行图像的粗匹配，选取与测试图像最相近的5幅作为待匹配对象，利用Krawtchouk矩将SURF方法中Hessian矩阵获取的关键点计算出梯度方向和幅值，得到特征向量，对待匹配图像提取改进SURF特征再与测试图像进行精确匹配，进行仿真实验，证明改进算法提高了匹配的正确率。　　再次，针对闭环检测中的视觉词袋模型(BoVW)准确率低的问题，设计出一种改进BoVW方法，采用基于Krautchouk矩的SURF算子对基于指导滤波的去雾后的场景图像进行特征提取，利用最大最小距离结合粒子群聚类的方法构建视觉单词本，通过图像分类实验，验证了改进算法的有效性。　　最后，针对闭环检测算法的准确度不足问题，设计基于后验处理的闭环检测方法，利用基于Krautchouk矩的SURF算法提取图像特征，构建金字塔式的分层视觉单词树，通过加权词频-逆向文件频率(TF-IDF)熵得分计算方法进行相似性度量，通过与阈值的比较确定初始闭环，利用时间上的约束和极线几何关系的后验处理得到有效正确的闭环。最后通过实验，验证了算法的可行性。