Resumen: El SLAM (Simultaneous Localization and Mapping) Visual es un problema computacional que consiste en la construcción y actualización de un mapa en un entorno desconocido mientras simultáneamente se actualiza la posición de la cámara dentro de él, tomando únicamente como entrada las imágenes captadas por la cámara. Este trabajo de fin de grado trata el problema de SLAM topológico basado en apariencia, donde el mapa está formado por un grafo de lugares con su descripción visual, en el interior del colon. Las técnicas clásicas asumen que el entorno es rígido, mientras que en imágenes de endoscopia el escenario es deformable. Además, se añaden problemas como la escasa textura del colon frente a la presente en el mundo exterior, las continuas oclusiones, la iluminación cambiante y los reflejos especulares. Primero, se ha desarrollado un método de reconocimiento de lugares basado en bolsas de palabras visuales a partir de puntos de interés AKAZE. Se ha realizado una máscara de brillos para ignorar los reflejos especulares, un filtro de imágenes borrosas, y se ha ajustado AKAZE para colonoscopias, utilizando su implementación en GPU para que sea viable en tiempo real. El método ha sido sintonizado y evaluado en secuencias de colonoscopia del proyecto europeo EndoMapper. Los resultados obtenidos logran un recall (fracción de imágenes que se reconocen correctamente) del 57~78% sin ningún falso positivo, siendo un método muy adecuado para relocalización en SLAM. Segundo, la técnica de reconocimiento de lugares se ha integrado en un algoritmo de localización Bayesiana, que permite localizar la cámara dentro de un mapa topológico del interior del colon. Con un mapa previo construido a mano, la localización Bayesiana consigue mejorar el recall hasta un 78~92%. Finalmente, se ha desarrollado un método de SLAM topológico basado en apariencia que, integrando el algoritmo de localización Bayesiana, es capaz de construir automáticamente el grafo de lugares que constituye el mapa topológico. El método se ha validado localizando el endoscopio con el mapa construido, alcanzando un recall del 90~99%.