在陌生的环境中,实时定位和构建地图是实现移动机器人运动的一个重要问题。移动机器人在长时间的运动过程中产生的误差会累积到后续的关键帧匹配中,闭环检测是实现视觉SLAM（Simultaneous Localization and Mapping）的关键技术之一,它能有效地降低机器人的累积误差,并能对机器人的定位、建图实现有效优化。闭环检测是利用移动机器人获得的当前影像与历史影像的相似性来判定机器人在运动时是否存在闭环,并依据检测结果进行实时更新地图,以排除累积误差。目前有关闭环检测算法的研究主要集中在视觉SLAM闭环检测算法上,相关研究成果也比较丰富,但依然存在很多不足之处。本论文通过研究分析闭环检测常用的词袋模型方法易受场景中物体变动、光照变化等因素的影响,导致闭环检测出现误判的问题,对闭环检测算法进行优化改进,主要工作以及成果如下:在特征提取方面,针对当前视觉SLAM中ORB（Oriented FAST and Rotated BRIEF）算法提取的特征点缺乏尺度不变性且容易产生堆叠冗余的问题,在此基础上,利用四叉树对ORB算法进行改进。利用图像金字塔,增加ORB特征点的尺度不变性。采用四叉树进行图像划分,对划分出的区域分别提取特征,以提高特征点均匀性,同时针对四叉树过度划分的问题,根据相邻区域间的相关性,限制四叉树的划分深度,提升算法的时效性和均匀性。实验结果表明,该方法能较好地提高特征点的均匀性和精确性。在闭环检测方面,针对闭环检测中词袋模型聚类算法易受噪声影响的问题,采用K-medians聚类算法对词袋模型进行优化。同时,由于词袋模型不注重词汇的位置,容易产生感知偏差的问题,引入语义特征。利用YOLOv4算法提取图像语义特征,并计算各类语义特征间的余弦相似度。通过采用词袋模型筛选候选闭环,语义特征验证候选闭环的方式,减少计算量。通过在公共数据集以及实拍数据集上进行实验,并与其他算法进行对比,对算法精准率、召回率等评价指标进行分析,实验结果表明改进后的闭环检测算法性能得到了提升。