随着移动机器人探索规模的扩大，机器人在大规模环境下同时定位与建图（Simultaneous Localization and Mapping-SLAM）的鲁棒性显得尤为重要，而可靠的闭环检测是构建鲁棒性SLAM的关键技术。闭环检测是机器人判断当前位置是否位于之前已经访问过的环境区域，并以此作为地图是否需要更新校正的依据，因此对减少机器人位姿和地图状态变量的不确定性至关重要。　　由于移动机器人在视觉信息的获取、描述、匹配等关键环节中的模型存在固有缺陷和难以避免的计算误差，无法准确提取闭环响应，因此移动机器人在大规模非结构化环境中的视觉闭环检测是一个很有意义的研究课题。基于此，本文从视觉场景中关键帧提取和闭环信息的检测入手，通过解决闭环检测中数据冗余和计算复杂问题,提高闭环检测的效率和准确率。主要工作如下：　　首先，对Kinect进行标定与配准，以校正图象畸变并对齐彩色与深度图。　　其次，为了能有效提取视觉场景采样中的关键帧，引入时空切片技术来分析图像特性，利用时空切片的斜率表征运动的状态。在此基础上，利用最近邻像素匹配法，确定能够准确描述机器人运动状态的关键帧。实验结果显示，该关键帧选取算法无论在计算精度上还是在处理速度上，都具有良好的特性。　　再次，针对闭环检测计算量大、容易引起感知歧义的问题，提出最短路径时空切片算法。利用Dijkstra最短路径剔除距离当前帧较远的历史帧，解决时空切片引起的视觉混淆问题，再利用时空切片选取带有正确闭环信息的历史帧。为了增加闭环约束，利用Dijkstra最短路径二次选取闭环帧。实验验证了算法的可行性。　　最后，提出基于轮廓提取的最短路径时空切片算法，以解决因场景过于单一而导致的时空切片选取闭环失效的问题。针对彩色图像提取场景信息会受到光照、颜色信息的干扰等多方面影响的问题，提出对Kinect的深度信息进行处理。先对深度图滤波，以填补空洞，再对图像进行二值化，利用连通区域标记法寻找场景中轮廓最明显的区域，时空切片提取此区域的切片像素，以避免提取到色调过于单一的区域。实验通过与RGBDSLAM对比显示算法的优越性。　　本文通过对视觉闭环检测过程中关键帧提取和闭环信息的检测进行研究，提高了闭环检测的效率和计算精度，对于提高机器人导航的准确性和可靠性有一定的参考价值和工程意义。