回环检测是机器人的同步定位和建图（Simultaneous Localization And Mapping,SLAM）过程中的关键环节之一,它的主要目的就是检查机器人有没有返回之前到过的区域,进而利用移动路径回环约束去除在定位和建图过程中的累积误差。根据机器人搭载传感器的不同,回环检测主要分为激光回环检测和视觉回环检测。相比于激光雷达信息,视觉信息更加丰富,但受光照、视角、动态物体等外界环境变化的影响较大。另外,视觉回环检测算法依赖于当前摄像头图像与历史图像的对比。随着机器人的移动,历史图像不断累积,回环检测所需时间也会相应地增加,对于较大数据集或者较大场景,回环检测的实时性无法得到保证。针对复杂动态环境,本文设计一种具有鲁棒性且满足实时性要求的视觉回环检测算法。具体工作内容如下:（1）复杂动态环境下的图像序列回环检测视觉回环检测算法的输入数据只有摄像头图像信息,其中既包含关键特征信息,如地标性的建筑、固定的物体等,也包含干扰因素,如光照和视角变化、移动的人或车辆等。为了提高回环检测的准确率,本文借助YOLO目标检测算法从图像中剔除常见的动态物体,然后从剩余图像中提取ORB关键特征信息,并通过VLAD算法聚合局部特征点,得到降维的图像表征。另外,考虑到环境干扰可能导致单幅图像外观变化较大的问题,采用对比图像序列的方式检测回环:当两个图像序列（而不是两个单帧图像）之间相似度较大时,才认为检测到回环。基于标准数据集的测试表明,本文设计的算法可以明显提升图像匹配的准确率,并检测到更多的真实回环。（2）采用近似最近邻搜索的实时回环检测机器人定位与建图的场景中往往对实时性有较高的要求,例如自动驾驶汽车的实时定位。回环检测算法需要对比的图像序列越多,实时性越差。当行驶路程较远时,普通的线性搜索算法已无法满足实时性要求。为了解决这一问题,本文采用了层次化可导航小世界网络（HNSW）近似最近邻搜索算法来对比图像序列,将待对比的图像序列转换为HNSW网络中的节点,通过基于网络的近似最近邻搜索算法,可以快速匹配相似图像序列,计算复杂度可以到达O（7）log（7）n（8）（8）,相比于普通的蛮力匹配算法,在获得几乎相同的检测准确率的同时可以显著提升算法的实时性。