视觉同时定位与建图（Simultaneous Localization and Mapping,SLAM）是当前机器人导航领域研究的热点之一。经典视觉SLAM框架主要包含传感器数据获取、视觉里程计、后端优化、回环检测以及建图等环节,其中回环检测通过确认“机器人回到了曾经到过的地方”这件事,能够有效地消除视觉里程计所造成的累积误差,对提高视觉SLAM系统长期运行的稳定性和鲁棒性具有重要意义。本文对视觉SLAM回环检测算法的主要步骤进行了研究,并分别从特征描述、视觉词典构建、图像相似度计算三个方面提出了改进方法。论文的主要研究工作总结如下:改进了线特征描述符的二进制转化方法。针对现有线带描述符（Line Band Descriptor,LBD）在二进制转化后匹配准确率下降的问题,提出了改进的二进制转化方法。在现有的二进制转化方法的基础上,增加每个条带描述子的内部对比值,反映条带描述子内部数值变化情况,将现有的256维二进制描述符扩展到324维,提高了描述符的匹配准确率。提出了一种分层自适应的视觉词典构建方法。传统视觉词袋模型（Bag of Visual Words,Bo VW）使用固定k值进行分层K-means聚类算法生成词典树,存在局部聚类效果不佳的问题。本文通过聚类评价指标选取每一个中间节点的最优聚类数,然后基于最优聚类数生成词典树子节点,最终构建出分层自适应的视觉词典,有效地提高了聚类词典的性能。提出了一种基于数据依赖度量的相似度计算方法。针对传统基于词频-逆文档频率（Term Frequency-Inverse Document Frequency,TF-IDF）视觉单词权重的图像相似度计算准确性不足的问题,提出了一种基于数据依赖度量的相似度计算方法。并结合相似度阈值和组匹配等手段获得回环候选帧,最后通过时间一致性验证和几何一致性验证得到最终的有效回环。最后,通过实验对改进方面进行了测试,实验结果验证了改进方法的有效性以及回环检测算法的实时性。