同时定位与制图（Simultaneous Localization and Mapping,SLAM）是移动机器人在未知环境下进行自主导航的关键技术,目前已成为国内外学者研究的热点。而回环检测作为SLAM系统的重要组成部分,可以消除移动机器人在长时间运动后位姿估计的累积误差,保证构建出的地图具有全局一致性。本文对回环检测技术中的特征提取算法和相似性度量算法进行研究。论文的主要内容如下:（1）研究了视觉SLAM的系统框架和数学模型,并分析了单目相机、双目相机以及RGB-D相机的工作原理和使用场景;研究了SIFT（Scale Invariant Feature Transform）、SURF（Speeded-Up Robust Features）和ORB（Oriented FAST and Rotated BRIEF）等特征提取算法、字典生成算法以及卷积神经网络模型的基本原理。（2）研究了不同的字典与回环检测算法性能之间的关系,并使用数据集测试了使用词袋模型方法进行回环检测的准确率和召回率,实验结果表明:当用于生成字典的训练集与测试集越相似时,回环检测算法的效果就越好,并且训练集规模在一定程度上也会影响到算法性能。（3）提出了一种基于Inception＿V3网络的回环检测算法,研究了不同的相似性度量算法与回环检测算法性能之间的关系,并使用数据集测试了使用Inception＿V3网络进行回环检测的准确率和召回率,实验结果表明:在使用Inception＿V3网络进行回环检测时,使用主成分分析（Principal Component Analysis,PCA）算法对描述子向量进行降维处理会提高回环检测算法的准确率与召回率,明显优于不作降维处理时的算法性能;使用欧氏距离与余弦距离对描述子向量进行相似性度量后的回环检测算法性能十分接近,并且二者均优于曼哈顿距离。（4）设计了场地实验并分别测试了使用词袋模型算法和Inception＿V3网络进行回环检测的准确率,实验结果表明:与基于词袋模型的回环检测算法相比,基于Inception＿V3网络的回环检测算法具有较高的准确度。