La detección de cierre de bucle es crucial para la localización y mapeo simultáneos (SLAM), ya que puede corregir de manera efectiva los errores acumulados. Los escenarios complejos plantean altas exigencias sobre la robustez de la detección de cierre de bucle. Los métodos tradicionales de detección de cierre de bucle basados en características a menudo no logran cumplir con estos desafíos. Para resolver este problema, este artículo propone un enfoque de detección de cierre de bucle robusto y eficiente basado en aprendizaje profundo. Empleamos MixVPR para extraer descriptores globales de fotogramas clave y construir una base de datos de descriptores globales. Para la extracción de características locales, se utiliza SuperPoint. Luego, la base de datos de descriptores globales construida se utiliza para encontrar los candidatos a fotogramas de bucle, y LightGlue se utiliza posteriormente para emparejar el fotograma de bucle más similar con el fotograma clave actual utilizando las características locales. Después del emparejamiento, se puede calcular la pose relativa. Nuestro enfoque se evalúa primero en varios conjuntos de datos públicos, y los resultados demuestran que nuestro enfoque es altamente robusto en entornos complejos. El enfoque propuesto se valida además en un conjunto de datos del mundo real recopilado por un dron y logra un rendimiento preciso y muestra buena robustez en condiciones desafiantes. Además, se realiza un análisis de los costos de tiempo y memoria que demuestra que nuestro enfoque puede mantener la precisión y tener un rendimiento en tiempo real satisfactorio también.