在未知环境下,即时定位与地图构建一直是机器人无法避免的关键性技术问题。闭环检测作为即时定位与地图构建框架下的一个基础性环节,对减少机器人前端的累积误差以及后端的地图优化起着重要的作用。闭环检测技术是指通过对比移动机器人获取的当前图像帧与历史图像帧之间的相似度,判断机器人的路线是否出现了闭环,并基于判断结果同步更新环境地图。现下有关闭环检测算法的研究中,视觉闭环是主流的检测算法。尽管视觉闭环的研究成果不少,但依然存在着一些不足之处,因此,本论文对视觉闭环检测算法中所存在的问题进行研究分析,其主要内容如下:首先,概述论文课题的研究背景及其意义,介绍机器人视觉即时定位与地图构建基本理论,详细分析了视觉闭环检测的主流算法及其关键问题,为后续的研究提供理论模型及依据。其次,针对传统视觉闭环检测采用的加速鲁棒特征算法检测耗时多,消耗内存大的缺点,提出多尺度ORB+FREAK特征检测算法,用于视觉机器人闭环检测的图像场景描述。对于每幅图像,构建相应的尺度空间,再在尺度空间上用ORB算法检测特征点,而特征描述则采用FREAK描述子。最后通过仿真实验,证明改进算法不仅提高了检测速度而且减少了内存的损耗。再次,针对传统模型中K均值算法对初始聚类中心值敏感且易于陷入局部最优值的缺点,提出结合改进人工蜂群的K均值聚类算法,提高聚类的精度并用于分层视觉词袋模型的构建,最后通过对图像分类实验验证了算法的可靠性。最后,针对仅靠局部特征点的图像匹配方式下的闭环检测算法精确度不高的问题,引入全局特征和跟踪模型,基于前两章的内容,对图像做特征提取和特征描述,构建改进聚类算法的视觉词典树。先用全局特征和跟踪模型做初始闭环,接着计算每幅图像的相似度得分,利用金字塔图像相似度进行匹配,确定最终闭环。通过对室内和室外图像序列的闭环实验,验证了提出算法的有效性。