视觉闭环检测是一种通过匹配图像特征来快速、准确地判断载具是否重游地点的技术。作为视觉同时定位与地图构建系统的重要模块,其获得的地点匹配为地图的正确优化提供关键约束。随着自动驾驶的兴起,室外定位系统需要工作在全天候、大尺度环境中。然而,当场景的外观由于光照变化、季节交替或其他动态变化发生显著改变时,闭环检测的精度难以保证。为提高视觉闭环检测对场景外观变化的稳健性,本文探索了两种研究思路:在构造特征描述图像时,使用对光照变化不敏感的图像属性;组合多种特征联合表示图像,利用场景中有利于地点判别的互补信息。在此基础上,本文完成了以下工作:（1）提出一种基于图像边缘的特征描述符。这种特征用弦直方图编码强边缘点对的相对几何特征来表示图像,称为局部边缘的弦直方图。论证了在构造边缘点集时,在所有图像中选择统一比例的强边缘像素可最大化特征的光照不变性。考虑到当场景的光照条件发生变化时,图像中某些区域的外观变化较为剧烈,难以匹配,进一步提出在计算两幅图像相似度时,使用较相似区域的距离之和。实验表明此相似度准则可剔除容易引起混淆的图像区域,提出的特征和相似度准则相结合可获得较高的闭环检测精度。（2）提出定量评价特征和特征组合的闭环检测精度的方法。将特征的闭环检测精度量化为正确和错误地点匹配图像对在特征距离空间中分布的分离性,从而每给定一种统计距离,可获得一种特征质量指标用以评价特征组合的闭环检测精度,并获得最大化指标的特征加权组合,称为最优特征组合。提出一系列特征质量指标,分别基于Kullback–Leibler散度、Bhattacharyya散度、R′enyi散度、1,2-Wasserstein度量、Fisher准则及其改进形式。详细论证了这些指标的性质和联系,验证它们的有效性,并揭示对应的最优特征组合的闭环检测精度与特征分量统计特性的关系。（3）分析最优特征组合的性质,提出求解算法。给定一组特征和一个特征质量指标,首先论证了最优特征组合通过考虑特征分量之间的相关性,能够增强性能较强或独特的特征分量,抑制性能较弱或冗余的特征分量。特别地,当特征分量较多、相关性较大、精度差异较大时,最优特征组合的闭环检测精度显著优于均匀组合。其次,提出算法1求解最大化指标的最优特征组合。考虑到非负权值可以降低闭环虚警,提出算法2求解最大化指标的非负加权组合。分别证明对于一类广泛的指标形式,算法1可以获得全局最优解,算法2可以获得局部最优解。为使这些有监督学习算法可以在闭环信息未知的环境中运行,进一步提出算法3用于对训练集上的闭环信息进行估计。最后,通过实验比较本文提出的各特征组合的闭环检测精度,验证其优越性。