自主移动机器人在工业、农业、日常生活和军事等多个社会服务领域具有十分广阔的应用前景。视觉同时定位与地图构建（SLAM）是移动机器人自主导航的核心技术，因此成为自主移动机器人导航研究领域的热点。针对现有的视觉SLAM系统在闭环探测的关键环节存在有效性、实时性和可扩展性不足的问题，本文对稠密视觉地图和大规模环境地图的视觉闭环探测，围绕图像的相似性测量和候选闭环选择这两个重点和难点进行了深入的研究。针对机器人视觉SLAM系统对运动模糊的鲁棒性欠佳问题，在分析机器人观测图像中运动模糊规律的基础上，提出了一种高效普适的异常探测方法和框架。本文对上述两个关键问题的研究旨在提高视觉SLAM系统的综合性能。主要内容及研究成果如下：（1）对稠密环境地图中的视觉闭环探测进行了研究。考虑稠密环境地图特有的属性，充分利用邻近密集关键帧之间的冗余信息提升视觉闭环探测的准确率和计算效率。从信息论的角度，首次将图像互信息引入到对稠密环境地图的视觉闭环探测中来。方法无需耗费时间提取高维的特征描述符和不用维护尺寸不断增加的视觉字典，利用密集关键帧之间的相似性加速了粒子滤波器对闭环位置的滤波概率估计速度。方法的计算复杂度被维持在一个仅与粒子数相等的常数水平，而与整个环境地图的尺寸无关，使得视觉闭环探测的计算效率具有可管理性。在公开的标准数据集上，实验验证了方法能较好地适应机器人增量式地构建环境拓扑地图过程对闭环探测精度和速度的要求。（2）大规模环境地图中高实时性候选闭环选择研究。分析了尺度空间中彩色图像对的互信息和二进制图像对的互信息与图像尺度的变化规律；在对图像尺度进行选择的基础上，设计了一种轻量的二进制图像描述符，并提出了一种二进制版本的图像互信息计算方法。方法仅利用5条CPU指令POPCNT实现了图像的相似性测量。由于图像的相似性计算速度达到纳秒级水平，因此视觉闭环探测方法无需依赖任何索引结构就可以在1s之内从2千万级超大规模的环境地图中快速地完成候选闭环选择，而且候选闭环关键帧集的尺寸不超过8即可达到100%的闭环召回率，将后续闭环验证的计算复杂度控制在一个非常小的常数水平，使得闭环探测达到很高的计算效率。此外，由于方法没有借助任何索引结构，因此进一步节省了构造和维护索引结构所需的时间和空间成本。实验在标准的数据集上验证了方法的优良性能，对于数千万级大规模的环境地图，本文为机器人SLAM的视觉闭环探测提供了一种极具竞争力的候选闭环选择方法。（3）大规模环境地图中高准确度可扩展性视觉闭环探测研究。在图像中提取低维的二进制特征，并将原始特征包作为图像描述符；利用位置敏感哈希函数簇对图像描述符中的视觉特征点进行随机比特采样构建多个特征哈希表，以提高相似特征发生哈希冲突的概率。通过对查询特征点的2个最近邻（2-NN）搜索和基于距离比例阈值挑选最佳匹配特征，同时快速筛选出与机器人观测图像Q具有相似关联的地图关键帧集{F}，并利用雅卡尔相似系数度量图像Q与关键帧{F}中元素的相似性，从而快速召回相似度最高的K个关键帧作为候选闭环集{CL}。由于图像描述符的二进制特征具有非常高的匹配速度，因此即使哈希表只为闭环探测提供了子线性计算复杂度，方法也获得了较高的闭环探测效率。实验在2个数据集上验证了方法的准确性，并且候选闭环集{CL}的尺寸仅为2就可以达到100%的闭环召回率。此外，与包含原始关键帧的环境地图所需的存储空间相比，方法节约了近93.73%的空间成本，使得视觉SLAM具有良好的可扩展性。（4）针对机器人视觉SLAM系统的鲁棒性受到运动模糊制约的问题，提出了一种具有实时性和普适性的异常探测方法和框架。定量和定性地分析了运动模糊对视觉SLAM系统的负面影响程度；以仿人机器人为平台，研究了机器人观测图像中的运动模糊规律，在此基础上提出了一种无参考的图像运动模糊特征度量方法。采用无监督的异常探测技术，在探测框架下对时间序列上发生的图像运动模糊特征进行聚类分析，实时地召回数据流中的模糊异常，以增强机器人视觉SLAM系统对运动模糊的鲁棒性。仿真实验和仿人机器人的环境地图构建实验验证了方法的有效性和实时性。实验结果显示：针对公开的标准数据集和仿人机器人NAO数据集，方法具有良好的实时性（一次探测时间0.1s）和有效性（召回率98.5%,精确率90.7%）。方法的探测框架对地面移动机器人具有较好的普适性和集成性，可方便地与视觉SLAM系统协同工作。