随着移动智能机器人的广泛应用,移动机器人同时自我定位与地图构建(Simultaneous Localization and Mapping,SLAM)成为了研究者研究的热点话题。其中的闭环检测部分可以为后端的位姿图优化带来强约束,从而有效地减少位姿估计的累积误差,是所有SLAM系统只中不可或缺的一环。主成分分析网络(PCANet)能够高效的提取场景图片的特征向量,但没有利用到样本数据的类区分性;线性判别分析(LDA)能够利用图像数据中的类标签对特征进行提取。本文将PCANet与LDA的优点结合起来,提出了具有类区分性的主成分分析网络PCANet-LDA,并基于迁移学习的理论基础,将其应用于视觉SLAM闭环检测中。首先将图像输入一个两层的PCA卷积层获取PCA特征;然后再将特征向量输入一个非线性输出层进行二值化和块直方图处理;接着将带有类标签信息的特征向量输入LDA监督层进行监督投影,使图像数据信息得到了充分的利用。实验在数据集New College及City Centre上进行,通过与其它主流神经网络AlexNet、GoogLeNet以及RandNet进行对比,结果表明在召回率不大于85%的情况下,PCANet-LDA的准确率与效果最好的GoogleNet不相上下,但是在特征提取方面的时间仅为GoogLeNet的0.87%,在计算特征矩阵之间的相似性以及提取特征的时间的总和上,PCANet-LDA使总时间下降了60.41%。实验结果证明了本文提出的算法在保证了准确率的前提下,让处理图片的时间成本得到了有效的降低。