地点识别是机器人同步定位与地图构建技术中非常重要的环节。随着视觉识别任务的复杂程度越来越高,传统地点识别算法识别效果差的缺点越来越突出。准确快速的地点识别算法可以提高机器人定位建图的鲁棒性。近年来深度学习方法取得了众多成果,在应对大范围的光照变化以及图像中对象的遮挡情况有更好的表现。本文首先介绍了传统地点识别算法,然后介绍了基于深度学习的地点识别算法流程,对比了传统地点识别方法和深度学习方法的优缺点,提出了基于卷积神经网络的提高精确度和提高推理速度的地点识别算法模型。（1）.针对已有地点识别算法精度不高的问题,设计了融合深层语义特征的地点识别算法。首先设计深层卷积模块提取图像更丰富的语义信息,然后将卷积特征送入局部聚合向量模块生成地点描述符,最后在数据集训练得到最优模型参数。使用东京街景数据集和匹兹堡数据集训练模型,验证了本方案在对应测试集上召回率优于对比算法。在通用地点检索数据集上测试所得模型的泛化性能,测试结果表明了本方案所得模型的泛化能力优于对比算法。（2）.考虑到地点识别算法部署的实时性,设计了融合注意力模块的轻量化地点识别算法。首先将特征提取网络替换为轻量化网络结构,然后融合高效通道注意力算法得到图像特征提取模块,最后将提取到的图像特征送入局部聚合向量模块得到地点描述符,在匹兹堡数据集上训练得到最优模型参数。通过对比现有地点识别算法,验证了本方案在保证精度的情况下压缩了模型参数,明显提升了地点识别算法的推理速度,显著减少了模型的参数量,实验表明算法可以在实时性要求较高的场景下使用。