同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）是指同时估计载有传感器的机器人的运动状态和构建传感器检测到的环境模型,是自主移动机器人的关键技术。当前视觉SLAM系统主要应用于静态环境,其在动态场景中运行存在许多稳定性问题。本文面向视觉SLAM系统在长期动态变化场景下稳定运行的需求,关注SLAM系统的回环（Loop Closure）模块,研究和设计在长期动态变化环境下能长期稳定运行的视觉SLAM系统。视觉SLAM系统的回环模块主要包括回环检测和回环矫正两个部分。本文相应地对两个部分研究了在长期动态变化环境下鲁棒的算法,并融合到视觉SLAM系统中,搭建长期动态场景下的鲁棒视觉SLAM系统。针对回环模块的回环检测部分,本文结合深度学习在图像识别上的优势,类比地点识别任务,设计了基于卷积神经网络的图像特征提取器和回环检测特征提取器,分别用于计算环境图像特征图,提取回环检测特征,并基于此设计了回环检测方法和回环决策机制,实现视觉SLAM系统的回环检测,完成了在长期动态变化场景下鲁棒的回环检测模块的设计。针对回环模块的回环矫正部分,本文设计了基于卷积神经网络的定位特征提取器,在环境图像特征图的基础上提取图像帧的定位特征,进一步设计了针对定位特征的匹配方法,搭建了包括特征匹配、位姿估计、位姿传播、地图优化的回环矫正方法,实现视觉SLAM系统的回环矫正,完成了在长期动态变化场景下鲁棒的回环矫正模块的设计。基于所设计的回环检测和回环矫正模块,本文构造了在长期动态变化场景下鲁棒的视觉SLAM系统回环模块和相应的特征提取模型,并在此基础上构建了长期动态场景下的鲁棒视觉SLAM系统。本文在公共数据集和现实环境中实验证明了所设计的视觉SLAM系统在长期动态环境变化下具有鲁棒性。本文的研究成果是提出了在长期动态环境下鲁棒的回环检测、回环矫正模块和视觉SLAM系统。