视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术是移动机器人进行自主定位和构建空间环境地图的核心技术,是机器人实现智能导航的关键。回环检测作为视觉SLAM的关键环节,协助构建环境地图并减小前端估计的误差。然而,现有回环检测方法的性能受到光照变化和场景切换的制约,具备高性能的回环检测方法是视觉SLAM研究的重难点。因此,本文针对光照变化情况下提出了具有光照不变性的视觉SLAM回环检测方法,针对多场景切换情况下提出了具有跨场景能力的回环检测方法。主要研究内容及研究成果如下:（1）对光照变化条件下的视觉SLAM回环检测进行了研究。提出了一种新的具有光照不变性的图像描述符,提升了视觉SLAM回环检测方法在光照变化条件下的适应性,增强了移动机器人导航在自然环境中的鲁棒性。提出一种有效的融合原始特征包的鲁棒回环检测方法,使图像描述符无需进行向量量化,避免了回环检测中的假阳性现象。在公开的数据集上,实验验证了本文方法能很好地适应环境光照变化的情况,并显著优于基于SIFT（Scale-Invariant Feature Transform）人工局部特征的词袋（Bag of Words,Bo W）方法和基于全局特征的GIST方法。（2）对移动机器人在不同场景移动时遇到的灾难性遗忘问题进行了研究。提出了一种新的具有连续学习能力的回环检测方案,方案改进了卷积神经网络（Convolutional Neural Networks,CNN）的学习过程、网络结构,提升了视觉SLAM的跨场景学习能力。方案使得回环检测方法不会随着学习场景的增多而降低机器人识别新场景的准确性,同时能够继续保持准确识别旧场景的能力,弥补了机器人SLAM系统连续学习能力不足的缺陷,为进一步推进类人SLAM研究奠定了理论与技术基础。提出了一套评估跨场景情况下视觉SLAM的性能方案,利用该方案,可以评估视觉SLAM最新研究成果的跨场景性能。在多个公开的数据集上,通过实验验证了方法的高性能,优于具有代表性的回环检测方法NetVLAD。