近年来,随着社会技术的发展,人们对于智能机器人的功能要求也在逐渐提升。在此背景下,SLAM（Simultaneous Localization and Mapping）技术应运而生,该技术指智能机器人通过传感器对周围环境进行信息采集,并通过采集到的信息实现自身定位与进行地图构建。由于相机具备更为流畅以及丰富的信息采集技术,故以相机作为传感器的视觉SLAM技术逐渐成为主流。在视觉SLAM系统中,前端视觉里程计对相机采集到的相邻图像进行位姿估计时,将必不可免的产生误差,且随着误差的积累,将导致系统无法构建与实际情况相一致的轨迹与地图。针对此问题,视觉SLAM引入了回环检测这一模块,其功能是当机器人经过相同场景时,机器人能识别出来并将当前场景信息与历史数据进行关联,从而构建优化问题,以此消除前端所累计的误差,并构建与实际情况相一致的轨迹与地图,继而提高系统的鲁棒性。在回环检测中,词袋模型算法是当前的主流算法。为了提高回环检测在视觉SLAM中的性能,本文对词袋模型算法进行了如下几个方面的研究工作:1)在基于词袋模型算法的回环检测中,词典是由K-means聚类算法直接对描述子聚类所成的。但K-means聚类算法本身对线性不可分的数据表现不佳,并且对描述子中的离群点也比较敏感,从而导致构建的词典,单词查找率较低。2)针对词典构建问题,本文对词袋模型算法进行改进。本文首先通过DBSCAN聚类算法对描述子进行聚类,其次用改进后的DBSCAN聚类算法对离群描述子进行再聚类,最后用二分K-means算法以距离作为准则对聚类簇进行分割,并从分割后的聚类簇中选取描述子作为单词。在改进的词袋模型算法中,DBSCAN聚类算法可以对各种不同形状的数据集进行聚类,并且对于其中的离群点可以进行发现与保留。而二分Kmeans算法可以不用按规定聚类层数与分裂结点数,因此该算法所构成的单词数可以根据实际场景变化而变化。3)通过对改进前后的词袋模型算法进行词典构建,并将改进前后的词典进行相似度与单词匹配个数实验,由实验可得改进后的词典,单词查找效率更高。如在比较图像相似度值与单词匹配个数上,改进后的词袋模型算法都比改进前的高。4)通过相似度实验,本文对回环阈值进行设定,并从实验中可得改进后的算法,不管是在单个图像上,还是在整个数据集上,其回环检测能力都远高于改进前的算法。