近年来,机器人技术和计算机视觉技术的得到不断地发展,视觉SLAM系统作为两者的交叉技术,已经广泛应用于生活中的方方面面,如虚拟现实、自动导航、三维重建等等。如何提高视觉SLAM系统的精度、实时性和鲁棒性成为了广大学者的研究热点。本文主要对视觉SLAM系统的闭环检测模块和后端优化模块进行研究。视觉SLAM系统的闭环检测以词袋模型为主,视觉词典又是词袋模型的基础,其表征能力影响闭环检测算法的准确性,其规模又严重影响闭环检测算法的运算效率。本文提出了一种融合式词典扩建算法,先离线构建一个基础视觉词典,然后通过在线的方式对其进行扩充,在保证算法实时性的同时,减小了特征量化误差,提高了词典的表征能力。连续一致性检测是用来提升闭环检测准确性的技术手段,但会导致无法检测出图像序列尾端可能存在的闭环。本文提出一种改进的闭环检测策略,既使用了一致性检测保证闭环的准确性,同时在图像序列结束时通过提高特征点匹配检测的阈值进行尾端闭环候选的再一次检测,避免此种情况的发生。此外,图像位姿的初始值与闭环约束的权重设置直接影响SLAM后端位姿优化过程的性能与收敛速度,本文提出一种变权重的位姿图优化算法,先是根据闭环的终点帧反向传播修正与终点帧具有共视关系的图像的初始位姿,然后基于反向传播的距离、闭环约束两端与闭环起止帧图像的匹配地图点比例设置闭环约束的权重系数,使得迭代收敛速度更快,优化精度更高。最后,将本文所提出的算法应用在ORB-SLAM2系统中,在TUM图像库和KITTI图像库上进行实验,与其他近几年的视觉SLAM系统相比,本文所设计的视觉SLAM系统的轨迹误差更小。