闭环检测作为视觉 SLAM(Simultaneous Localization And Mapping,同时定位与地图构建)的关键部分,关系到机器人运动轨迹估计和地图构建的准确性。闭环检测能够提供当前帧和历史帧之间的数据关联,并在跟踪算法失效之后帮助机器人进行重定位,对于整个SLAM系统精度和稳定性的提升具有很大影响。目前绝大多数定位和地图构建的方法都是采用点特征,而线特征也广泛存在于各种环境中,线特征具备较好的光照不变性以及不受视点变化影响等优点,更有利于进行数据关联。因此本文考虑将线特征加入到闭环检测部分,提出一种基于点线综合特征的闭环检测算法。本文的主要研究工作和成果如下:1.对本文的研究背景及目的意义进行总结概述,之后对视觉SLAM以及闭环检测算法的现状以及重点难点展开分析。2.对视觉SLAM框架中各部分相关原理进行阐述,包括传感器、视觉里程计、闭环检测、后端优化、建图,为后续章节提供理论基础。3.对点、线特征的检测与描述方法进行了研究,并对比了 SURF、SIFT、ORB三种不同的特征点检测方法,选取具备光照和旋转不变性且检测速度快的ORB算法进行点特征的提取与描述,并采用LBD二进制描述子对LSD检测到的线特征进行描述,提高计算效率。4.提出将点特征和线特征相结合的一种混合词典树的构建方法,将混合视觉字典应用在SLAM的闭环检测部分,适应更广泛的环境。5.考虑到词袋(BoW,Bag of Words)模型中视觉单词之间相对独立、缺乏空间信息和几何约束,本文引入了视觉词的深度信息,将SLAM系统前端得到的特征点的深度信息应用在闭环检测的几何验证阶段,降低了算法的复杂度,同时提高了闭环检测的准确率。6.通过对大量数据集进行视觉词典离线构建,并在不同环境下进行了词典性能实验和闭环检测实验,与单独特征的词典进行词典性能以及闭环检测对比实验,之后与FAB-MAP方法进行对比实验,得到的实验结果表明本文提出的方法检测闭环的准确率更高。