在自然图像中,阴影的存在既可以给我们提供关于场景和光照条件的信息,也可以帮助我们了解图像中的场景情况,但与此同时也给图像处理在技术上增加了难度。在图像处理领域对于阴影的处理通常是将其去除,而去除之前先要对其进行准确的检测定位。随着深度学习的发展,给图像阴影的研究开辟出一条新的道路。但在该领域仍然存在着诸多研究瓶颈,例如在阴影检测方面,阴影边界不明显、细节处理粗糙等;在阴影去除方面,恢复的无阴影图像存在伪影、光照条件改变等。因此,迫切需要一种有效的阴影检测和去除方法来解决上述问题。近年来基于深度学习的研究都是只单一的针对阴影检测或阴影去除展开的,并没有考虑两项任务间的相关性,因此针对这一问题本文提出了多层条件生成对抗网络（Multi-layer Conditional Generation Adversarial Network,ML-CGAN）的阴影检测与去除模型,该模型采用两个CGAN网络组合而成,本文的研究均是基于该网络框架,具体研究内容如下:（1）为了强调阴影目标的特征并忽略对目标区域无用的信息,本章的生成器在U-Net网络基础框架下引入注意力模块。本章提出的注意力模块,将深层特征和浅层特征分别在不同尺度上提取信息后再进行融合,将浅层特征图中包含的语义信息用于指导深层特征图选择重要的阴影位置信息,并将注意力模块加在网络上采样之前的跳跃连接中。最后与其他算法进行对比,实验结果表明该网络在阴影检测和去除两项任务上,表现均优于其他方法。在阴影检测中,与次优算法相比平衡误差比率降幅为5.4%;在阴影去除中,结构相似性达到了0.9654。（2）为了解决第三章中基于注意力机制的ML-CGAN模型出现的网络深度深、易出现过拟合的问题,本章基于ML-CGAN框架对生成器结构进行简化设计并提出了用于提取不同尺度特征信息的多尺度空洞卷积模块,改进后的生成器主要包括:编码器模块、多尺度空洞卷积模块、解码器模块。为避免梯度消失,编码器模块增加了残差连接。实验结果表明对于所提出的网络,在阴影检测方面,对比第三章方法平衡误差比率下降了16.9%;而在阴影去除结果中,恢复出的无阴影图像的峰值信噪比为28.1153,提高了2.4%。最后对残差结构和多尺度空洞卷积模块的有效性进行了验证。