随着计算机视觉相关技术的不断发展,即时定位与地图构建(SLAM)技术在人类生活中的应用越来越广泛,如自主导航机器人、自动驾驶、无人机、虚拟现实等。但在SLAM中,我们依然面临着不少需要解决的难题,比如回环检测。回环检测的任务是判断当前位置是否为之前访问过的某个位置,目的是为构建地图任务添加新的约束,从而消去地图构建过程中产生的累计误差。回环检测的本质是位置识别。传统的位置识别算法如视觉词袋模型等依赖于手工设计的图像特征,这些特征在变化场景(场景中行人和车辆等可移动对象发生变化)、视点改变以及昼夜光照差异的情况下会发生改变,从而影响位置识别的性能。另一方面,近年来深度学习在计算机视觉领域取得了巨大的进步,其实现了特征表达与分类识别的联合学习,从而可以自动提取更加鲁棒的图像特征。为此有学者提出了基于深度卷积神经网络的视觉位置识别算法。本文研究也是围绕基于深度卷积神经网络的视觉位置识别展开的,与传统的算法相比可以解决在变化场景以及视角改变的情况下低识别率的问题。但是,已有的基于深度卷积神经网络的算法没有充分考虑到与待识别目标图像相似的负样本的干扰的问题。这些负样本为对于深度卷积神经网络而言难以正确区分的样本,即所谓的难例。如FaceNet网络中,仅在网络每次输入的批量样本(batch)中挑选困难的样本,计算神经网络在当前batch中每个样本上的损失,选择最大的损失作为该batch的损失。所以FaceNet算法只能从当前的batch中选择难例。而NetVLAD网络则对于每组训练样本,仅在1000个负样本中选择最难的负样本,但是这样仍然不能找到整体训练集中的最困难样本。为此本文提出了面向训练集整体的难例挖掘算法,该算法在神经网络利用整体训练集迭代训练完一轮之后,从整体训练集中挑选对于神经网络最难以区分的负样本组成新训练集中的负样本,新组成的训练集作为神经网络下一轮的训练数据。这样可以充分挖掘出训练集中困难的负样本,使困难样本参与训练的次数更多,使网络模型避免与待识别目标图像相似的负样本的干扰。此外,由于缺乏足够的采集于夜间的数据集,现有的基于深度学习的位置识别算法均是基于采集于白天的图像进行训练的。当测试数据来自于光照强度极低的夜间时,算法性能会急剧下降。若将训练集视为源域,测试集视为目标域,则这是一个典型的源域与目标域不同情况下的分类识别问题。虽然通过收集拍摄于各个时间段不同光照条件下的图像作为训练样本,可以避免训练域与测试域不同的问题,提高网络模型的泛化能力,但会浪费大量的人力资源。针对此问题,本文提出了基于对抗判别网络的域自适应算法和基于批量标准化的域自适应算法,使神经网络有更强的域自适应能力。在基于对抗判别网络的域自适应算法中,在原始的网络中添加对抗判别网络,通过对抗判别训练使得神经网络在源域和目标域图像上提取的图像特征分布相似,减小因训练集图像和测试集图像分布不同带来的图像特征的差异,提高网络模型跨域的识别率。在域自适应批量标准化算法中,考虑到不同的图像分布本质上是分布的均值和方差不同,本文使用源域和目标域各自图像的特征图的均值和方差对各自域中的特征图进行标准化,从而使不同域上的特征分布差异经标准化后减小,增强网络模型的域自适应能力。