闭环检测能够有效减少建图的累积误差,是视觉SLAM（Simultaneous Localization and Mapping）系统中的一个关键模块。有效且稳定的闭环检测对于视觉SLAM系统至关重要,现有的基于视觉词袋模型的闭环检测算法鲁棒性较差,准确率不高,且会占用大量内存资源。因此,本文针对以上问题对闭环检测的特征提取及匹配过程进行研究,旨在提高算法的鲁棒性和准确率,增强视觉SLAM系统实时性,具有重要的理论意义和实际应用价值。首先,本文详细阐述国内外移动机器人视觉SLAM以及闭环检测相关研究现状,概述视觉SLAM数学模型及其系统整体框架,并对视觉SLAM系统的各个模块进行阐述,重点分析闭环检测的原理以及闭环检测流程中的图像特征提取与图像特征匹配方法,本文后续研究内容主要围绕这两个方面展开。其次,本文对闭环检测中的图像特征提取部分进行深入研究。针对传统基于视觉词袋模型闭环检测算法提取的特征鲁棒性较差,容易检测出假阳性闭环,导致准确率不高的问题,设计一种基于无监督学习的堆栈式组合自编码器网络模型,用于更好地提取视觉SLAM场景图像的特征。与传统的堆栈式自编码器不同,该模型将降噪自编码器、卷积自编码器与稀疏自编码器进行多层堆叠,结合了各类自编码器的优点,输出的特征维数较低,鲁棒性较好。在视觉SLAM标准数据集New College和City Centre上对基于堆栈式组合自编码器的闭环检测算法性能进行测试,实验结果表明该算法能够有效提高闭环检测的准确率和鲁棒性。再次,本文针对传统基于视觉词袋模型的闭环检测算法在进行特征匹配时,通常采用余弦距离计算相似度,导致内存资源开销较大,耗时较长的问题,提出一种基于改进迭代量化哈希的快速闭环检测算法,通过对迭代量化哈希算法的投影矩阵以及正交旋转矩阵进行改进,进一步降低计算的时间和空间复杂度。利用改进的迭代量化哈希算法将本文设计的堆栈式组合自编码器提取的视觉SLAM场景图像的特征映射为哈希编码,通过加权汉明距离计算相似度,从而加速闭环检测的特征匹配过程。在视觉SLAM标准数据集New College和City Centre上对基于改进迭代量化哈希的快速闭环检测算法性能进行测试,实验结果表明该算法能够有效提高闭环检测的时间性能。最后,本文结合相关软硬件设备搭建移动机器人视觉SLAM实验平台并完成闭环检测算法模块的设计,在真实室内环境中进行移动机器人视觉SLAM地图构建实验,以此来测试本文所研究的闭环检测算法的性能。实验结果表明,本文所提出的闭环检测算法能够有效地减少建图的累积误差,改善建图效果,且能有效提高视觉SLAM系统的实时性。