位置识别是计算机视觉的重要研究领域之一,也是视觉同时定位与地图构建(Visual Simultaneous Localization and Mapping,vSLAM)中回路闭环(Loop Closure)的关键组成部分,它广泛应用于机器人导航、自动驾驶等领域。在位置识别中,实现较大视角变化和表观变化时的有效识别是最具实际意义、同时也是难度最高的研究方向之一。本文提出了一种在大视角和表观变化下进行位置识别的方案,通过模拟人类识别环境位置时会先确认环境语义结构相似再继续确认环境纹理信息相似的特点,同时利用位置点周围语义结构信息和当前视角下的图像纹理分布信息,实现大视角和强烈表观变化下鲁棒的位置识别。本文的主要贡献如下:1)利用深度学习特征在图像描述时的良好表征能力,提出一种适用于视角和表观变化的场景、基于深度学习特征和层次最近邻算法的视觉定位系统AD-SeqSLAM。相对原版SeqSLAM,AD-SeqSLAM对表观和视觉变化更加鲁棒,时间复杂度从O(V2)降低为O(NlogN)。2)针对视角变化下场景表观发生较大变化而语义连接关系不变这一特点,提出了一种有权语义图结构来表示场景的语义结构信息。3)考虑到子图与子图的匹配是一个NP-hard问题,本文提出一种基于随机游走的方法来对有权图进行图嵌入,同时提出一种基于局部图结构描述子、进行随机采样一致性随机采样一致性的方法进行位置匹配。该描述子提取的时间复杂度不随图大小增长,能有效提高位置识别的效率。4)模仿人类进行位置识别的过程,提出一种结合语义图结构信息和深度学习特征来进行位置识别的框架。在上层语义匹配结果基础上,结合AD-SeqSLAM框架,实现更加鲁棒、精准的位置匹配。