同时定位与地图构建(SLAM)作为实现移动机器人在陌生环境中定位与导航的关键技术,已经广泛应用于自动驾驶、AR、VR等领域。作为视觉SLAM的关键组成部分,闭环检测通过识别机器人是否回到先前访问过的位置,给后端一个强约束以进行全局校正,有效的减少累积误差。正确的闭环对SLAM系统得到全局一致的估计至关重要,然而错误的闭环却会带来致命的结果,因此如何有效的提高闭环检测的准确率同时避免错误的闭环成为目前重要的研究方向。本文通过剖析传统闭环检测方法存在的不足,从场景图像描述与闭环决策模型两个模块入手进行了深入的研究。首先,针对传统图像特征提取方法的不足,结合神经网络在图像表征方面的优势,提出基于融合CNN与VLAD特征的图像描述方法。具体的,使用预训练的卷积神经网络提取场景图像的抽象特征,将神经网络中间层输出的特征图展开成一组特征向量,保留图像的局部空间特性,接着使用VLAD对展开后的特征向量进行编码,再将编码后的结果通过PCA降维,将最终得到的特征向量作为图像描述。对于闭环决策模型,考虑场景图像序列之间的时间关联关系,提出基于稀疏相似性矩阵的序列匹配决策模型。首先,通过FLANN搜索地图信息中当前观测视图的最近邻K张图像,然后考虑在闭环处机器人可能拥有的不同速度,使用贪婪算法贪心的检索可能的闭环位置,构建稀疏相似性矩阵,通过稀疏相似性矩阵检测可能的闭环。最后,使用标准数据集对上述方法的有效性进行实验验证。通过对闭环检测算法的验证实验可以得出,所提的基于序列匹配的闭环检测算法能够有效的提高闭环检测的准确率与召回率,并且在保证100%准确率的情况下,召回率至少提高了30.08%。而基于所提闭环检测的视觉SLAM构图实验结果则表明,基于序列匹配闭环检测的视觉SLAM系统有更好的构图效果,相比于其他闭环检测算法,其构建的点云地图没有明显的缺失,并且轨迹误差远小于其他算法。