移动机器人技术是当前科学技术发展中最为活跃的领域之一。即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是机器人进入未知环境遇到的第一个问题。随着视觉传感器的普及,基于视觉的SLAM得到了广泛的关注。视觉SLAM系统可分为前端视觉里程计和后端优化两个过程。视觉里程计的作用在于提供粗略的位姿估计和地图表示;而基于闭环的后端优化对消除机器人位姿估计的累积误差、实现地图的一致性至关重要。闭环检测与图优化是SLAM系统后端优化的基石。实时性是影响SLAM系统应用的主要因素。基于视觉词典的在线闭环检测技术与COP-SLAM方法分别是闭环检测与图优化在实时性上表现最好的代表。本文分析了基于视觉词典的闭环检测原理,基于贪心策略,提出了一种在线构建视觉词典的闭环检测算法。算法优先处理SURF描述与已有单词SURF描述欧氏距离最大的特征点,改进特征点与单词SURF描述最近邻的约束条件,生成了表征性能强、量化误差小的视觉词典。算法具备实时性,并在动态环境图像集与视觉混淆多发生的图像集上实验,在确保100%准确率的条件下,最大召回率分别提升了 5%与4%。COP-SLAM方法利用局内点数量设置信息矩阵,表征里程计的精度。但当局内特征点集中位于图像的特定区域时,该信息矩阵不能很好地表征里程计精度,影响优化效果。本文提出了一种基于局内点分布的图优化算法。设置信息矩阵时,以局内点集的面积表示局内点的分布,在局内点数量的基础上引入局内点集的面积,提高了对视觉里程计精度的衡量。实验结果表明,优化有效地降低了相机绝对轨迹误差。