与传统的特征地图和稠密点云地图相比,语义地图融合了环境中关键目标的类别信息,比传统的视觉特征具有更强的辨识度,而且更加贴近人类自身对环境的理解,为机器人的自主路径规划与导航、人机交互等任务提供了更加直接的依据。另一方面,语义信息也可以在视觉SLAM（Simultaneous Localizationand Mapping,同步定位与地图创建）中起到约束相机位姿、后端优化和场景描述等作用。有别于注重环境细节的稠密语义地图,稀疏语义地图中的语义信息采用带有类别的地图点的表示方式。面向稀疏语义建图问题,本文采用RGB-D传感器,利用YOLOv3目标检测算法获取场景中的语义信息,对稀疏语义地图的闭环检测环节开展研究,并通过实验测试验证了所提算法的有效性,最后构建了稀疏语义地图。针对现有的视觉SLAM闭环检测方法容易产生假阳性检测的问题,本文设计了基于目标检测和非监督学习进行场景描述和相似度计算的闭环检测方法。利用DBSCAN密度聚类算法修正错误检测和遗漏检测,生成语义信息相应的语义节点,同时根据聚类结果计算语义节点的置信度。实验结果表明,聚类算法有效修正了目标检测产生的错检、漏检结果的影响,获得了比目标检测算法输出值更加可靠的置信度。针对关键帧中的语义节点,分析相机坐标系下语义节点之间的相对位置关系,形成充当场景描述的局部语义拓扑图,在计算场景之间的相似度时,利用SURF特征和目标类别信息进行不同场景内语义节点的匹配,计算不同语义拓扑图中对应边的变换关系,得到场景之间的相似度,并根据连续关键帧的相似度变化情况进行闭环判断。在公开数据集上的实验表明,目标聚类有效地提高了室内场景下的闭环检测准确性。与单纯利用传统视觉特征的算法相比,本文算法能够获得更加准确的闭环检测结果。基于上述闭环检测算法,本文结合实际的视觉SLAM系统框架ORB-SLAM2进行了全局优化实验,并结合YOLOv3目标检测结果构建了稀疏语义地图。实验结果表明,基于本文闭环检测结果的全局优化效果优于传统方法,有效减小了关键帧轨迹的误差。此外,本文利用非监督学习的方法对稀疏语义地图中的语义地图点进行了修正,采用密度聚类与原型聚类结合的方式,有效优化了稀疏语义地图。