SLAM称为即时定位与地图构建,是移动机器人自主运行的关键性支持技术。在SLAM过程中,如果单纯依靠前端视觉里程计和后端优化,在长时间的运行中会出现累计漂移,导致最终的构图不够精准。闭环检测能够增加位姿约束和减少累计误差,在SLAM系统中起着至关重要的作用。目前的闭环检测大都是基于图像外观来实现的,本质上是一个图像匹配的过程,容易受到环境变化、视角变换等影响。考虑到深度学习技术在特征提取上的优势,本文研究基于深度学习的闭环检测方法,进一步提高视觉SLAM的精度。为了能够让卷积网络更有效地在闭环检测任务中发挥作用,本文采用了迁移学习的思想,将在ImageNet数据集上训练过的网络通过少量的闭环检测数据集进行微调,使其网络模型能够从分类任务偏向于闭环检测中的特征提取任务。实验结果表明,在经过闭环检测数据集微调后,提取到的深层网络特征在闭环检测过程中有良好的表现。为了有效地应对视角变换导致的图像难以匹配的问题,本文采用图像目标候选框技术提取关键帧图像中的局部图像,并通过深度网络获取深度特征。结合Edge Boxes候选框提取技术在图像中提取一定数量的局部图像,并将这些局部图像送入网络中提取相应的卷积层特征。然后,对所获得的所有局部图像的卷积层特征进行特征融合,通过VLAD-pooling方式获得一个统一的局部特征向量。除了获取局部特征外,本文提取了整幅图像的多层次深度特征,并将这些深度特征进行串连,得到一个全局特征向量。然后,将得到的全局特征向量和局部特征向量进行融合,建立了 SPoC描述子。实验结果表明,SPoC描述子有效地提高了图像匹配的准确性。对于最终的图像相似性计算,本文结合了欧氏距离和度量学习的思想。除了计算了图像间SPoC描述子的欧氏距离外,还采用了 Siamese网络来计算图像对间的距离。这样既能够有效地利用传统欧氏距离计算,又能够充分利用神经网络对该任务的专一性。实验结果表明,上述策略能够有效地提高闭环检测准确率。最后,本文总结了所开展的研究工作,并对未来的研究方向进行了展望。