随着机器人探索空间的不断扩大,基于视觉的同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）系统对提高机器人感知能力尤为重要。而闭环检测是建立稳健SLAM系统的关键所在。当前由于机器人对视觉信息的获取、描述等环节存在一定程度的误差,致使SLAM系统对图像相似度判断准确率低,无法添加正确的闭环约束,进而降低了在非结构化环境下的定位精度。基于此,本文提出了基于改进随机采样一致性（Random Sample Consensus,RANSAC）算法的误匹配剔除算法,提高了匹配正确性;又从相似场景检测入手提出了基于字典树的改进图像相似性算法,从而提高了系统闭环检测的准确率并减少了定位误差。首先,对相机成像模型和标定算法开展研究。重点阐述了小孔成像的基本原理以及四种坐标系之间的变换关系,基于张正友标定法对相机进行标定,并获取彩色图像与深度图像配准的点云信息。其次,开展了基于改进RANSAC的误匹配剔除算法研究。对常见图像特征的提取数量、耗费时间以及分布情况做出分析。基于特征匹配机理提出了融合最小距离阈值法的改进RANSAC的误匹配剔除算法。以最小阈值法剔除误匹配为前提,利用降低迭代次数的RANSAC算法对误匹配做进一步的剔除。在不提高剔除误匹配时间的同时提高了图像之间正确匹配数量。再次,对基于视觉字典树的改进图像相似性算法研究。采用图像之间的运动大小进行关键帧的选取,针对视觉字典本中单词少、对图像的表征能力差等问题。先增加视觉字典树层数,提高表征图像的视觉单词容量。再利用不同层次的节点单词对图像之间的相似性进行判断,进而增加闭环检测的准确性。最后利用时间一致性和对极几何约束对闭环进行验证,抑制错误闭环,降低系统定位误差。最后,开展基于视觉字典树的SLAM闭环检测实验研究。利用字典树选取相似度高的闭环图像,采用融合剔除算法对闭环图像进行误匹配的剔除,以保证准确的添加匹配约束。通过对比本文系统与RGB-D SLAM在数据集和真实环境下的性能,验证本文系统的闭环检测准确率和定位精度。