随着人工神经网络和机器人技术的飞速发展,具有即时定位和同步建图(Simultaneous Localization and Mapping, SLAM)能力的移动机器人成为了当今人工智能领域的研究热点之一。当机器人处在未知环境中时,由于缺乏周围环境的先验信息,因此需要判断当前所处的位置之前是否访问过,并以此作为定位误差和地图更新的依据,即闭环检测问题。基于计算机视觉的SLAM闭环检测的主要任务是寻找数据库中与当前采集图像最相似的历史图像,并判断这两幅图像是否来自于同一场景。本文首先概述了国内外导航机器人技术的研究现状和SLAM闭环检测研究的核心问题,并分析了典型图像局部不变特征和两种图像建模方法的基础理论,为闭环检测算法中的图像表征、图像匹配和图像检索提供了理论依据。由于实时采集的图像序列中相邻图像间的相似度较高,若将即时采集的图像直接存入数据库,则容易导致的错误闭环检测。针对该问题,本文设计了一种序列图像分组算法对输入图像进行筛选。同时,当前大部分闭环检测算法的运算时间随着数据库增大而快速增加,从而使得检测系统不具有实时性能。考虑到自组织映射神经网络树(Recursive Self-organizing Map, RSOM)在大规模图像检索领域的优异性能,本文提出了一种基于RSOM树的视觉场景建模方法,为访问的场景建立路标；同时提出一种于RSOM树的路标检索算法,实时检索数据库内的相似路标。在运行时,系统还将实时删除数据库内的冗余路标和冗余图像。在闭环检测中,感知混淆是导致误检的主要原因之一,本文结合各场景之间的相似性关系和几何约束提出了一种阈值加权方法来最大程度避免该问题。同时,算法通过增量学习的方式来实时学习各场景中的信息,以提高检测精度。在六种不同环境下的实验测试结果表明：本文设计的SLAM闭环检测算法在室内和室外多种环境下均有实时检测能力,具有较高的检测召回率,同时对动态目标有一定的自适应性。