移动机器人在未知环境中极其依赖所创建的场景地图和地图中的定位,无论设计何种类型的地图,都不可避免地受到累积误差的影响。并且在机器人实际的视觉导航中,如果使用传统的闭环检测方法来进行场景识别,将会遭遇到由时间或季节等条件引起的外观变化、传感器带来的视角变化以及目标在剧烈运动等问题,这样系统便难以提取到相应的图像特征,且提取图像特征速度较慢,无法满足机器人的实时性要求。因此,闭环检测技术面临着大量挑战及难点问题。随着深度卷积神经网络的飞速发展,使得视觉传感器提取到的图像特征信息变得丰富成为了可能。为了满足闭环检测部署在移动端平台所需求的准确性和实时性,本文进行了如下研究:（1）本文提出将深度学习技术与视觉SLAM相结合,在视觉闭环检测的任务中引入了基于卷积神经网络特征提取的方法。针对传统算法的图像特征提取准确率不佳的问题,本文设计了Shuffle Net V2-Net VLAD网络模型对视觉传感器采集的图像进行特征提取,输出特征向量,再利用余弦相似度计算对图像帧进行相似度匹配,完成闭环检测。经过实验证明,与传统的基于手工特征算法及经典的基于卷积神经网络算法相比,本文的闭环检测算法取得了较高的准确率。（2）本文针对传统算法和深度学习方法运用到中小型设备上的实时性不高的问题。提出了一种使用乘积量化对Shuffle Net V2网络的输出向量进行降维,得到压缩后的特征向量,最后用非对称距离进行相似度计算的闭环检测方法,很大程度上减少了高维的空间数据运算时间。实验经过与多个优秀的闭环检测算法对比证明,在PR曲线、平均准确率、时间性能和相似度矩阵等指标上都表现优异,可以较好地满足移动端平台的准确性和实时性。