移动机器人从未知起点采用增量式构建环境地图,同时利用环境地图进行自主定位,即机器人同步定位与地图构建(SLAM),是实现机器人自主性的关键。在SLAM中,闭环检测对如何利用传感器判断当前位置是否是已访问区域中的某一位置,保证地图的一致性至关重要。由于摄像机价格降低、采集的数据更丰富以及计算机性价比提升,视觉SLAM闭环检测方法引起了广泛关注。然而,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,造成无法准确提取闭环响应,从而妨碍机器人完成SLAM任务,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仍是当前最具挑战性的难点之一。本文对基于单目SLAM中闭环检测问题进行了深入研究,将闭环检测方法转化为彩色图像匹配问题,研究基于视觉词袋模型(Bo VW)闭环检测中存在的问题。本文主要工作如下:首先,对比分析了SIFT与KAZE特征算子的性能。采用图优化SLAM的Bo VW进行建模,分析了生成区分度高的视觉单词的性能。区分度高的视觉单词性能依赖特征算法,因此鲁棒性强的特征检测方法能提高闭环检测中图像匹配的效果。其次,详细分析了各种图像匹配算法,在不同数据集中对KAZE、SIFT、KAZE+SIFT三种算子进行了对比实验分析,得出KAZE算子对亮度、尺度缩放、噪声具有良好的鲁棒性。本文在提出的闭环检测框架中选择KAZE算子进行特征提取。最后,对KAZE算法进行了优化改进,提出了一种鲁棒强的基于KAZE特征闭环检测构造策略。采用Chow-Liu树,在树状结构网络空间内产生单词间最佳逼近的联合分布,获得单词间的相关性来学习生成树型贝叶斯网络模型。然后,我们采取倒排索引技术的可扩展性优势,通过逆索引技术快速查找到包含指定单词的场景,避免与历史帧的逐帧比较,该闭环算法适用于词典容量较大的情况。室外场景实验数据表明了该方法的有效性与可行性。