如今科技发展日新月异,视觉SLAM被广泛应用在无人机、无人驾驶、AR、智能家居等众多领域,其技术也取得了惊人的发展。闭环检测作为解决视觉SLAM累计误差的关键技术之一,现有结合卷积神经网络的闭环检测技术已取得了阶段性的成果。但当存在快速移动物体等大型复杂场景下,现有的视觉SLAM闭环检测方法依然存在鲁棒性、准确性和实时性不足问题。本文以CSP-Darknet为基础,依据闭环检测的局部空间特性,改进其损失函数和网络结构,构造了一个新的闭环检测方法。为进一步提高本文方法的实时性,在上述闭环检测方法基础上,增添了改进后的NSGA-MPCA降维算法和基于概率预测与贪心算法的关键帧选择策略。并对改进后的Darknet-NVPP闭环检测方法进行验证,本文方法可以大幅度提高视觉SLAM性能。本文的主要工作有以下四个方面:（1）针对现有闭环检测方法维数大且内存成本高的问题,对现有闭环检测和深度学习方法进行研究,选用特征提取精度和效率表现很好的CSP-Darknet进行特征提取。为了充分利用图像的局部空间特性,改进原CIOU损失函数以更好的表征闭环检测中图像空间距离约束关系。并进行对比验证,其loss值更稳定、更趋近于0。（2）为获取能够保存更多局部空间信息的特征图,本文保留CSP-Darknet的部分结构,融合了Net VLAD池化层,对提取的图像特征进行编码。根据闭环空间特性,构建空间约束测试训练集,对网络重训练,构建一个新的闭环检测方法。通过在公开的Newcollege数据集和场景更复杂的Nordland数据集上进行验证,本文提出的方法可以很好检测出闭环,且在复杂场景下,具有更加优秀的准确性和实时性表现。（3）为进一步提高视觉SLAM的实时性,同时考虑到复杂场景的闭环检测中图像结构的高复杂性,本文改进了多线性主成分分析（MPCA）降维方法。采用NSGA-Ⅲ策略优化MPCA方法的权值矩阵,使其不仅能够减少需处理的数据量,也能够更好的保存向量化过程中的空间结构和潜在信息。在两个公开的官方数据集上进行验证,本文提出的降维方法能够取得更佳的实时性能,更加适合闭环检测场景的应用。（4）为进一步提升检测效率,满足实际应用场景需求,提出了基于概率预测与贪心算法的关键帧选择策略。将本文提出的Darknet-NVPP闭环检测方法与其他七种闭环检测方法进行实验分析,本文提出的方法能够取得一个更加平衡的性能,在快速移动物体等的大型复杂场景下,本文方法的优越性将更加显著,可以大幅提高视觉SLAM的性能。