同步定位与地图构建(SLAM)是移动机器人在未知环境下自主定位的关键技术,但由于其中跟踪算法的累计误差,机器人在长距离行驶后无法保证位姿的有效计算和地图的正确构建。环路闭合探测技术通过分析当前传感器数据判断机器人是否位于已经探索的区域,解决了上述问题,保证了地图、位姿计算结果的准确,是SLAM作业的重要一环。当前主流的视觉环路闭合探测技术均基于视觉词袋(Bo VW)模型。使用这些模型的环路闭合探测方法在理想的作业环境下取得了良好的效果,但在实际的室外环境中,却容易受到多种环境因素(光照、天气、行人、车辆)的干扰。本文将目前流行的卷积神经网络(CNN)技术引入到环路闭合探测中,以期利用其在图像语义理解上的巨大优势解决上述问题。本文首先采集了大量图像数据,用来模拟机器人在相同路径上不同环境下的关键帧信息,并依此制作了环路闭合探测实验使用的数据集合;接着利用上述数据集实验论证了使用卷积神经网络对图像进行特征提取和匹配以完成环路闭合探测作业的可行性;最后提出了一种基于CNN和Bo VW的混合环路闭合探测方法。该混合环路闭合探测方法使用面向图像分割的CNN对图像中的行人、车辆等可移动物体内容进行筛除过滤,使用CNN模型对图像的分类信息形成图像的索引,结合经典的Bo VW模型进行图像特征提取和匹配进而完成环路闭合探测任务,不但提高了环路闭合探测作业对真实场景中存在的非场景可移动物体的抗干扰能力,也加快了关键帧图像的检索速度。本文给出了上述工作的详细说明,设计并实现了相应的测试软件,进行了有针对性的实验,给出了实验数据,并与基于Bo VW模型的环路闭合探测算法在各种环境条件下的表现进行了比较,验证了该方法在行人、车辆等环境因素干扰下的鲁棒性。