自主移动机器人正广泛应用于家庭服务、智能商业、智能交通、军事侦察等领域。机器人同时定位与建图(SLAM)是机器人领域的一个基础问题。其中,闭环检测是SLAM的重要组成部分。现有的闭环检测方法主要基于词袋模型,利用手工设计的特征来实现闭环检测。然而基于手工设计特征的词袋模型鲁棒性较差,尤其在遇到新场景时难以提取有效特征。为了提高机器人视觉SLAM闭环检测方法的适应性,本文尝试用基于学习的特征替代手工设计的特征来实现闭环检测。在机器人同时定位与建图中,要实现闭环检测首先需要提取摄像头采集的图像的特征,进而通过特征之间的相似性来判断是否检测到闭环。传统的闭环检测方法主要基于手工设计的特征,如SIFT、SURF、ORB等,这些手工设计的特征在实际应用中表现出较大的局限性,尤其难以应用于特征不明显或者未见过的新场景。另一方面,基于学习的特征逐渐在多种应用中表现出良好的适应性。本文提出了一种基于监督学习的闭环检测方法,简称孪生残差网络,它一方发面借鉴了孪生网络的度量学习思想,另一方面发挥了残差网络良好的特征表达能力。结合孪生网络和残差网络的优点,孪生残差网络能够有效的提取图像的抽象特征并将此特征用于度最学习。将孪生残差网络应用于机器人视觉SLAM领域能够取得优于手工设计特征的表现。作者完成的主要工作如下:(1)提出了一种面向孪生网络构建训练集的方法(2)设计有效提取特征的网络结构(3)建立评估机制用以比较不同方法。通过在不同测试集上对孪生残差网络与词袋模型方法的测试结果可以看出,在机器人视觉SLAM闭环检测方面,基于学习的闭环检测方法表现出更高的准确率、更好的鲁棒性和更短的耗时。基于学习的闭环检测方法有望使得视觉SLAM应用于更多场景,从而促进自主移动机器人的发展和应用。