在未知环境中,移动机器人的即时定位与地图构建(Simultaneously Location And Mapping,SLAM)是机器人导航领域最重要的研究课题之一。随着近些年深度学习技术的不断发展以及在图像处理方面的优异表现,基于深度学习技术的视觉SLAM也渐渐被关注,而闭环检测作为有效减小环境地图误差的办法,也成为深度学习算法中重要的应用之一。本文在对现阶段视觉SLAM和深度学习算法深入研究的基础上,对传统的基于视觉SLAM闭环检测方法的缺陷,例如特征提取过度依赖于人的认知、对图像极度变化的识别鲁棒性不高,消耗计算资源较大等问题进行分析,将深度学习算法应用于闭环检测中。提出了一种新的基于卷积自编码网络的闭环检测模型,并对闭环检测后的轨迹进行优化,使得轨迹更加精确。本文的具体研究内容如下:(1)首先对视觉SLAM系统的整体流程进行概述,并对传统的闭环检测方法进行实验和分析,发现传统算法的局限性和不足之处。同时结合深度学习中的卷积神经网络和栈式自编码器的特性提出一种新的基于卷积自编码网络的识别模型,该模型可用于大规模场景识别。本模型具有双通道端到端的特点,实现了特征嵌入,具有良好的鲁棒性和紧凑性。该模型的特征提取模型建立在栈式自编码器上,与经典的Net VLAD融合,称为CAE-VLAD-Net(Convolutional Auto-Encoder–Vector of Locally Aggregated Descriptors–Network)。模型整体框架是一个教师学生策略模型,因此引入原始Net VLAD模型作为基准,有效借鉴了其高准确率,试图从一个大而准的教师网络中获取辅助信息来训练小而快的学生网络。本文在不同的具有挑战性的数据集下做了广泛实验,证明了提出模型的识别能力,从准确-召回曲线、AUC曲线下面积、特征提取时间等多维度进行了对比实验。(2)由于传感器采集图像具有连续性和密集性,存在大量极其相似的连续场景,这会导致检测到大量错误闭环。为了提高闭环的精确度,提出一种基于CAE-VLAD-Net模型的特征提取算法,进一步将其用于基于关键帧的闭环检测中。在检测闭环时,根据图像特征分布确定关键帧的位置并作处理,不是对每一帧都进行闭环判断,而是基于关键帧位置和关键帧数量判断图像特征欧式距离,最终确定距离最短为闭环发生。(3)闭环检测是有效减小构建地图误差的办法,但是对于机器人的长时间移动以及极具挑战性的场景,闭环判断依然会存在误差。本文在判断出闭环的前提下提出一种基于多态增量式的图优化方法,该方法对闭环轨迹重新生成因子图,因子图中的节点是闭环图中若干连续位姿的集合,每一个节点都包含其中连续位姿的平均状态,从而构成新的多状态图结构,在该图结构下对节点进行优化。多态增量式的图优化不仅帮助生成更加全局一致的地图,而且在优化时间上远小于对每一个位姿节点都优化的方法。