同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是机器人或其它智能载体实现自身位置姿态定位以及理解感知周围环境的关键技术,在智能移动机器人高速发展、导航定位需求日益提升的今天有着非常高的研究价值。而回环检测(Loop Closure Detection)作为视觉SLAM系统中的一个重要模块,通过识别出机器人或其它智能载体曾经到达过的场景来对全局定位轨迹进行修正。回环检测可以有效地消除视觉导航系统的累积误差从而显著地提高系统的定位精度并构建全局一致的地图,是SLAM中非常具有实用价值的研究方向。本文基于当前主流的词袋模型(Bag of Words)回环检测方法,并结合视觉SLAM的整体架构,对回环检测以及检测到回环之后如何对整体位姿轨迹进行全局优化展开了研究。主要内容和成果有:1)对基于二进制特征描述ORB以及SURF特征点的两种词袋模型算法进行研究并通过实验对回环检测效果以及所用时间进行分析对比,验证了词袋模型算法以及ORB特征在回环检测中的高效性。2)针对传统词袋模型方法存在的不考虑特征单词空间结构容易造成假阳性检测的问题,提出了一种基于特征单词共视深度信息的改进词袋模型算法。通过在原有词袋模型算法中加入空间深度信息约束来有效避免回环检测过程中感知偏差的发生。并进行了基于数据集及实测数据的实验,验证了所提出的改进方法有效提升了回环检测的准确率。3)承接本文前半部分对于回环检测的研究,对基于光束法平差以及位姿图优化两种全局优化方法进行理论推导、建模及深入研究。并通过仿真实验验证了两种算法对相机位姿以及路标点坐标的修正作用,证明了所用方法对减小SLAM系统的重投影误差以及定位误差具有显著的效果。4)结合SLAM系统中的前端视觉里程计以及点云建图,通过实验对本文所使用的回环检测以及全局优化算法在定位以及建图两方面的作用进行了多组数据集以及实测数据实验。结果表明该算法对SLAM系统所构建的地图有直观的改进效果,对全局导航定位精度也有显著提升。