随着移动机器人、无人驾驶等新兴领域的发展,基于视觉的导航定位技术成为计算机视觉领域的重要研究方向。视觉位置识别研究如何使用图像信息判断位置点属于哪一个地图场景,它在基于图像的拓扑定位以及同时定位和建图（Simultaneous Localization and Mapping,SLAM）中起着至关重要的作用。但由于视角差异及外界环境客观存在的持续变化,使视觉位置识别变得极具挑战性。传统基于词袋模型的识别方法对纹理信息非常敏感,使其很难满足当前导航定位系统在复杂环境下对鲁棒性的要求。近几年,计算机视觉领域尤其是卷积神经网络的发展和应用,对视觉位置识别方法的进展起到了很大促进作用,学者们开始研究如何利用卷积特征和图像语义信息进行高层级位置识别。本文研究了基于卷积特征匹配图像的位置识别方法,主要内容和研究成果有:（1）为改善原始卷积特征对视角变化的敏感性,提出了使用卷积特征生成视觉单词的方法（Convolutional Neural Network Words,CNNW）,及基于超列向量的几何一致性检验策略。CNNW将基于卷积特征的方法与词袋模型相结合,通过对卷积特征进行分通道聚类生成视觉词汇,并根据词频逆文献频率计算图像相似度。基于CNNW,进一步设计了根据邻接位置构建单词对的方法。几何一致性检验阶段,使用低层网络超列向量进行图像显著性区域提取与匹配,并根据内外点比例计算图像间几何一致性。实验表明:与原始卷积特征相比,CNNW不仅保留了卷积特征对外观变化的鲁棒性,还增强了对视角变化的应对能力;构建单词对可以提高不同位置的区分度;几何一致性检验能够有效剔除错误识别点,提高位置识别准确率。（2）为提升剧烈环境变化时的位置识别能力,提出了基于卷积特征图路标的位置识别方法。在使用卷积特征进行几何一致性检验的研究基础上,直接使用卷积特征图计算图像能量响应,根据能量图极大值点与高层特征图投影位置提取路标并生成描述子。路标匹配阶段,设计了马尔科夫-贝叶斯匹配方法。匹配策略使用概率图模型与贝叶斯滤波建模,模型融合了路标相似度信息与几何信息,种子节点与剩余节点分开计算的策略保证了模型求解效率。实验表明:与边缘箱和超像素分割相比,提高了路标提取速度,同时保证了路标可重复性;图像发生强烈外观变化时,匹配路标仍然有较高几何一致性,从而保证了位置识别准确率。（3）为提高卷积特征的生成速度,设计和训练了一种用于视觉位置识别的轻量级卷积神经网络:八度位置识别网络（Octave Place Recognition Net,OPRNet）。OPRNet基于八度卷积理论,使用简化八度卷积单元构建网络,多尺度特征图代替传统特征图,训练阶段使用场景分类数据集代替物体识别数据集。实验表明:OPRNet在保证位置识别准确度的前提下,减小了网络参数量,提高了卷积特征的生成速度。（4）为改善传统位置序列匹配,提出了利用融合卷积特征对位置序列进行识别的方法。该方法根据多尺度融合特征建立相似度矩阵,为融合序列信息,构建了递归贝叶斯模型,将相似度矩阵转化为概率矩阵进行位置识别。针对贝叶斯滤波的过度自信问题,提出了先验概率惩罚与双向滤波的应对措施。实验表明:本方法有效改善了传统序列匹配方法存在的局限性,提升了基于序列匹配的位置识别准确率。综上所述,CNNW相比词袋模型和原始卷积特征,有更好的位置识别性能。提出的特征图路标方法直接根据卷积特征提取路标,并将路标几何一致性融合到相似度计算,保证了剧烈环境变化时的识别准确性。设计的OPRNet进一步改善了特征生成网络参数量过大、前向传播较慢的问题。使用融合卷积特征识别位置序列的方法,改善了传统序列匹配模式。本文理论与算法在真实数据集上得到了验证,并与经典的位置识别方法进行了对比,证明了提出的方法的优越性及实际应用的价值,可为机器人自主导航与无人驾驶等领域提供一定基础理论与技术支撑。