作为计算机视觉领域的重要研究方向之一,阴影检测旨在精准识别图像中的阴影区域,其在环境光场估计、视频跟踪、目标检测、显著性目标检测等高层图像处理应用中起着至关重要的作用。近年来,随着深度学习技术的快速发展,基于深度学习的阴影检测方法取得了突破性的进展。然而,这些方法仍然存在一些局限性,如网络模型结构复杂,参数量庞大,过度依赖于大规模的训练数据和相应的像素级阴影标签等。针对上述现有阴影检测方法存在的问题,本文提出了两种图像阴影检测算法并在公开的阴影检测数据集上进行实验仿真,验证了本文算法的有效性。具体的工作内容如下:（1）考虑到现有深度阴影检测算法网络模型复杂且参数量庞大,计算复杂度高,在训练数据规模小的情况下容易过拟合,本文提出了一种基于轻量级网络结构的图像阴影检测算法。该算法采用一个小规模网络作为特征提取主干网络,并将标准卷积替换为计算复杂度低且更高效的深度可分离卷积。此外,为了更好地减少轻量化带来的性能损失,本文设计了空间感知模块和语义感知模块以更好地挖掘图像中阴影区域的空间细节信息和语义上下文信息,并设计了特征引导融合模块,利用网络模型不同层级特征的互补性进行特征融合,进一步提高模型的检测性能。（2）针对现有深度阴影检测方法训练效果过度依赖于大规模具有像素级标签的训练数据且人工标注困难的问题,本文对无监督学习的阴影检测进行初步探索,并提出了一种基于深度无监督学习的阴影检测方法,能够在不使用人工标注数据的情况下训练出高性能的深度阴影检测模型。该方法将自训练和课程学习相结合,从传统阴影检测模型产生的伪标签中学习预测阴影区域,通过课程学习引导模型从简单样本到复杂样本逐步学习阴影知识,利用基于自训练方法的伪标签更新机制在课程学习过程中逐步更新伪标签,以减少噪声,提高模型对噪声伪标签的鲁棒性。在Ubuntu18.04环境下的Pytorch深度学习框架中对本文提出的两个深度阴影检测方法进行验证。对于基于轻量级网络结构的图像阴影检测方法,在公开的阴影检测数据集上与现有的深度阴影检测方法进行了实验分析与比较;实验结果验证了所提出方法的优越性和有效性。对于基于深度无监督学习的图像阴影检测方法,在公开的阴影检测数据集上与现有的阴影检测方法进行了实验分析与比较;实验结果表明,所提出的基于深度无监督的图像阴影检测方法,优于目前传统阴影检测方法,同时能够获得接近甚至超过部分通过监督学习方法训练得到的深度阴影检测模型的性能。