随着科技飞速发展,促使一大批比如AR/VR、机器人、无人车等高科技产品出现,这些高新产品需要很多技术的支撑。本论文主要研究其中的两个问题:视觉同步定位与建图(V-SLAM)系统中的闭环检测(Loop-Closure Detection)和路径规划(Path Planning)。针对机器人位姿估计随时间漂移的问题,可通过闭环检测找到正确的闭环来消除漂移,从而获得全局一致的轨迹和地图。在对视觉词袋模型(BoVW)进行实验和分析的过程中,发现基于特征的模型只能在特定场景有较好性能且特征提取比较耗时;受视觉词袋模型思想的启发,本论文提出的方法利用卷积神经网络(CNN)直接提取图像的特征,预训练好的模型提取特征具有更好的通用性。实验结果表明,POOL5层可以输出效果最好的特征描述,然后计算图像特征间的欧氏距离得到相似性矩阵。为了解决机器人自主建图问题,本文提出一种基于局部和全局快速扩展随机树(RRT)的边界检测算法,该方法快速高效地检测到位于已知区域与未知区域边界点。在得到地图之后,选择有偏RRT与DWA相结合的算法,在得到全局路径的同时可以得到局部速度指令。提出的算法经由ROS工具箱验证,并与A*、Dijkstra算法相比较,结果表明该路径规划算法更平缓、更快速。