视觉同时定位与建图（V-SLAM,visual-simultaneous location and mapping）技术被广泛运用于机器人、无人机、无人驾驶、AR、VR等领域,各类机器人能够承担任务的基础就是让其拥有“视觉”,依靠传感器可实现机器的自主定位、建图、路径规划等功能,从而获得自由行动的能力。在视觉SLAM算法中,由于各种误差的存在,位姿估计也存在误差,并且通过帧间位姿递推的方式传递,于是不可避免地产生误差的累积,导致无法构建具有一致性的地图,可以通过闭环检测为后端优化提供更多的信息,进行全局优化消除误差累积的影响。闭环检测的关键在于要能够正确地识别历史经过的场景,并能够使用有效的方法验证闭环的准确性。针对视觉SLAM后端优化以及闭环检测存在的一些问题,本文通过三个方面介绍与展开了本文的工作内容:首先,为了解决特征提取聚集的问题,提出一种基于四叉树的特征选取策略,能够有效地选取分布均匀的特征点,提高特征的鲁棒性;然后,为了消除传统视觉词典在单词匹配时只考虑图像特征在单一尺度上的量化,忽略不同层次的单词具有不同的表征能力的问题,本文构建以TF-IDF为权重的视觉词典树,提出由下而上逐层依次计算图像间相似性增量,最终建立核函数整合相似性增量的金词塔单词匹配方法;最后,在后端优化中提出采用核函数解决误差增长过快的问题,对检测到的闭环进行时间连续性、空间一致性、对极几何约束等方法进行验证,保证了闭环检测具有较高的鲁棒性。通过实验表明,本文选取特征点的策略能够有效地获取分布均匀的特征点,可快速地构建分层计算的Bo W模型,通过采用相似性增量的金词塔单词匹配方法,能够有效地检测闭环,结合后端优化与闭环检测,对TUM数据集实现了良好的闭环识别与验证,并能够基于词袋法的图像匹配技术实现视觉SLAM的重定位。