移动机器人的智能化主要表现在对未知环境的自主探索与感知、突发情况的自我稳定与动态规划、不断地自主适应与学习等方面。其中,对未知环境的自主探索与感知执行难度较高,是当前智能移动机器人研究的热门课题,同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）其核心就是解决这个问题。由于视觉传感器固有的诸多优点,近年来基于视觉的SLAM技术引起了广泛的关注。闭环检测是SLAM系统的关键组成部分,通过数据关联判断机器人是否到达过先前的位置,为后端优化提供闭环约束,减少前端的累积误差并修正位姿,构建全局一致性的环境地图,确保机器人完成SLAM相关任务。本文剖析了传统闭环检测方法存在的弊端,引入语义信息,从视觉场景关键帧选取、场景建模与闭环决策模型三个主要问题入手进行深入的研究。首先对比分析了基于时间域、空间域和视觉内容的关键帧选取机理。由于基于视觉内容的关键帧选取方法是一种实时的序列计算模式,满足视觉SLAM的图像处理特征,所以本文选择基于视觉内容的方法,提取场景的Gist特征,利用局部极值法将移动机器人采集的图像根据场景的Gist特征进行序列划分,实现关键帧的选取。场景图像是由图像中所有的特征点及其描述子构成的,本文对比分析了基于局部、全局和语义特征的视觉场景描述方法,由于语义特征具有季节不变性,有助于处理视角变化等问题,因此本文选择基于语义特征的方法对场景进行建模。本文研究的是具有诸多典型非结构化的室内环境,而语义分割技术适用于室内精细的场景处理,故本文研究并分析了近年来基于室内RGB-D数据的语义分割方法,选择RDFNet网络对关键帧进行语义分割获取语义信息,利用对象的拓扑信息构建语义拓扑图（Semantic Topology Map,TSM）,实现对视觉场景的建模。最后对比分析了基于概率和基于图像序列的闭环决策模型计算框架,根据构建的TSM,利用关键帧间语义向量的相对空间位置计算场景相似度,设置多个阈值,排除低相似度和相对独立的高相似度关键帧,实现闭环决策模型的构建。最后在数据集TUM和室内场地进行闭环检测实验,并与基于FAB-MAP和Bo W的闭环检测方法作对比分析,结果表明本文基于语义的闭环检测方法简化了场景的描述并节省了系统的存储空间,降低了闭环运行复杂度,显著提升了闭环的效率与准确性,提高了系统的鲁棒性。