同时定位与构图(SLAM)技术是实现移动机器人自主运动的基础,可以实现移动机器人在完全陌生的环境中自主进行导航和建图。由于相机具有价格便宜、取用轻便、能够获取大量视觉信息等优点,近年来基于视觉的SLAM受到高度重视。回环检测是视觉SLAM的关键步骤,它可以判断当前位置是否是移动机器人曾经遍历过的地方。正确检测到出现回环的位置可以最大程度地减小由于机器人位姿估计造成的误差,从而创建更加精准的地图,确保生成的地图与真实的地图一致。目前,基于词袋模型的方法已经取得了不错的效果,但是这种方法提取的图像特征对环境中的光照变化很敏感,当光照变化比较明显时检测不到回环。近年来,深度学习得到大力发展,大量研究表明神经网络学习到的特征对环境中的光照变化具有很好的鲁棒性。然而,用于回环检测的神经网络模型一般是以有监督的方式训练得到的,这种网络模型依赖于大量已标记的数据来训练,在实际操作中工作量很大,并且神经网络提取的是全局特征,当图像视角变化较大时,检测到回环的成功率较低。基于上述这些问题本文提出了HSCAE模型与HDLA模型,主要研究内容如下:(1)提出了一种基于卷积自编码网络的空间金字塔SPP-CAE模块,并结合SPP-CAE和传统方法中的定向梯度直方图设计了一种无监督的网络模型HSCAE。一方面通过定向梯度直方图学习图像的局部特征,另一方面通过SPP-CAE模块自动学习图像的全局特征,两种方法学习到的图像特征相互制衡,最终提取出既能适应光照变化也能适应视角变化的图像特征。HSCAE与现有方法相比有以下优点。第一,该模型可以在不需要标记原始数据的情况下直接训练网络,有效的提高了训练回环检测模型的效率;第二,空间金字塔结构的加入使神经网络可以从多角度学习图像特征,弥补了传统的卷积网络只能提取到图像全局特征的不足。(2)提出了一种基于Hybrid神经网络的回环检测模型HDLA。由于神经网络中层提取的特征对视角变化有良好的不变性但对光照变化表现不好,而神经网络高层提取的特征对光照变化有很好的不变性但对视角变化表现不好,并且,高层提取的特征维度过高,计算复杂度高。因此,我们用HDLA提取关键帧的高层语义特征后,用局部敏感哈希方法对特征向量进行降维处理,从而大幅度地提高了回环检测的速度。实验结果也进一步证明了,与基于卷积网络实现的回环检测方法相比,我们的方法在保证召回率不下降的前提下提高了准确率。