对自身位置的认知是机器人学中的核心内容之一,是一切动作任务实现的基础。对于工作环境较复杂的机器人,正确认识所处场景,不仅有利于对环境中关键目标的识别感知,还可以极有效地辅助定位模块的工作。此外,在机器人学的重要领域——即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)中,场景识别技术已被广泛地应用到回环闭合的操作中。基于里程计的SLAM技术的核心思想是对地图进行迭代式更新,这个过程会不可避免地引入累计误差,该问题在大范围的制图任务中尤为明显。回环闭合利用场景识别技术,能使机器人运动轨迹发生闭环时检测出对应的历史场景,认识到累计误差的存在并针对性地修复地图,从而减小累计误差。本研究针对自动驾驶的应用场景,设计并实现了一种具备鲁棒性的基于词袋模型的新型立体点云场景识别方法,并基于该方法采用公开数据集进行了闭环检测的功能测试。本研究尝试利用词袋模型直接处理原始立体点云数据,针对立体点云数据的特点,实现了基于整体的特征描述方法。对于几何一致性检查工作,本研究在随机采样一致(Random Sample Consensus,RANSAC)方法的基础上,实现了基于邻近簇投票的同名点对过滤方法,使用空间信息与局部描述相结合的方法滤除同名点对,配合基于概率密度分布的二次几何校验,提高了几何一致性检查的精准率。经实验测试,本文所实现的基于词袋模型的立体点云场景识别方法能有效工作在自动驾驶的数据场景,并实现高鲁棒性的闭环检测能力。基于词袋模型的闭环检测应用,可以在仅有激光雷达的条件下,实现与里程计无关的历史数据帧匹配功能,辅助SLAM应用实现回环闭合的功能,是大范围SLAM的实现基础。