目前,机器人同时定位与建图问题(SLAM)是移动机器人领域的一个重要研究方向,其目的主要是使机器人能够在未知环境下能够自主定位、记录自身运动轨迹并构建地图。SLAM是一个完整而庞大的系统,现在的经典方案是由视觉里程计、后端优化和回环检测三个子模块组成。回环检测的目的是检测机器人是否重复经过了同一个地方,进而将回环作为约束,构建全局一致的轨迹和地图。依据目前的解决方法,回环检测模块都是在CPU上进行,速度有限,很多情况下只能随机地、部分地进行回环检测。然而,随着机器人的运动,地图数据不断增多,效率低下的回环检测方法难以满足机器人定位导航的精度和实时性需求。近年来,随着芯片技术的进步,图形处理器(GPU)拥有越来越强大的并行计算能力,可编程性不断增强,在高性能通用计算领域已经有了非常广泛的应用。由于GPU拥有远远超过CPU的并行计算能力,因此,设计并实现在GPU上计算的回环检测方法是本文的主要目的。回环检测包含了大量复杂计算,并行加速十分必要。本文分析了回环检测速度瓶颈及其可并行性,分三个方面对回环检测进行了并行化设计。对于场景特征构建,设计了并行的词典查询方法,加速了词袋向量生成的过程;而对于回环的查找,则设计了并行特征相似性评价算法,加速了数据集查询的过程;对于回环的校验,设计了并行的特征描述子匹配算法,加速了结构一致性校验的过程。并依据上述算法,结合现今主流SLAM框架回环检测模块的接口进行了具体实现。最终,本文提出了一套基于CUDA并行运算的回环检测类库。并在不同的数据规模下,综合性地对各个步骤进行了实验论证。实验结果表明,相较于传统的基于CPU的计算,本文基于GPU的方法拥有更高的效率,让回环检测速度有明显的提高,可以大大提升SLAM的实时性。