复杂多变的光照环境给计算机视觉算法及应用（如特征提取，目标分割与识别、测量）带来诸多问题，降低了其算法的鲁棒性及环境自适应性。寻求该问题的有效解决方案一直是计算机视觉及相关学科的重要研究内容。本文从基本的大气物理、物理光学原理及物理成像机理出发，研究图像中光照变化问题，基于可计算光谱辐照度提出了光照成像的计算方法。以此为基础，对计算机视觉领域中的光照处理，如阴影生成、阴影检测、道路监测等进行研究，提出了新的模型算法。论文中的主要研究内容及成果如下:　　针对计算机视觉及其应用，给出了基于有效SPD计算的室外光照成像计算。室外光源的光谱辐照(SPD)随着时间和大气条件的变化而变化，这导致场景的变化和常见的自然光照现象，例如暮光，阴影和霾/雾。计算室外光源在不同时间（或天顶角）和在不同大气条件下的SPD对于计算机视觉非常重要。SPD可计算方法可以应用于计算机视觉任务，包括光谱反演计算，图像成像计算和阴影图像处理。通过太阳位置的计算，给出了阴影生成中图像阴影的方向和阴影长度的计算方法。　　利用阴影衰减特性，提出了一种新的图像阴影生成算法。结合图像阴影边缘的处理，可生成更接近物理真实的图像阴影。与基于图形学的阴影生成方法和通过抠图合成的阴影生成方法相比，本算法无需进行复杂的运算和任何抠图操作，只需要基于原始像素值、阴影三色线性衰减和日光与天空光SPD比率便可以计算出生成阴影的像素值。这一具有物理光学背景的阴影生成算法，提高了图像阴影生成的视觉效果。通过相应的实验结果，验证了该算法的有效性。　　针对室外光照条件下阴影的快速高效检测问题，提出了一种基于正交分解的阴影检测方法。根据图像光照的正交分解方法，得到一幅彩色光照不变图像和一幅光照变化图像。通过K-means算法将彩色光照不变图像分类为几个区域，每个区域具有一致的反照率。根据分类结果，对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域。最后采用形态学算子对提取的阴影区域进行优化。本方法不需要复杂的特征算子学习过程，大大降低了算法的时间复杂度，而且不需要任何先验知识，可以直接应用到实时场景处理中。　　提出了四个具有物理特性的图像阴影特征和基于区域与机器学习的阴影检测算法。四个新的图像阴影特征来自于日光SPD和天空光SPD的比率计算。我们发现，尽管日光SPD和天空光SPD分布是完全不同的，但是在RGB图像中，每个通道的SPD比率大致近似于常数，并满足一定的统计规律。由此得到四种新的具有物理特性的阴影特征。在新的物理特征基础上，结合图像的纹理等特征，我们提出了一种新的基于区域和机器学习的单幅室外图像的阴影检测方法。通过实验和比较，表明了我们的方法优于目前几种经典的阴影检测方法。　　在智能交通及机器人自主导航等系统中，提出了一种基于光照不变图像分割和投票函数的图像道路及视觉导航线提取算法。该算法首先利用正交分解的方法获取彩色光照不变图像，并对其进行分割，然后通过构造的投票函数及道路判别准则，提取道路区域，最后通过扫描道路定位点并对其进行最小二乘拟合提取导航线。本方法不需要大量样本进行学习。通过实验验证，所提算法与现有两种算法相比，在检测精度和速度上均具有明显优势，并且算法复杂度相对较低，能够有效的解决各种室外光照环境下道路及导航线的提取问题。