阴影在我们生活中处处存在,最常见的莫过于在晴朗天气因树木建筑物遮挡等产生的随处可见的阴影。阴影虽然说能够提升整个图片的立体感,但另一方面阴影在计算机系统中同时可能也会带来一些不必要的问题,如会使得目标检测以及目标追踪的性能下降。阴影因为存在强度不确定、形状不确定以及背景内容也复杂多样等问题使得去阴影问题较为复杂;但另一方面,在很多时候的同一场景中,光照强度在同一阴影下又是统一的,同时,在非阴影区域光照强度大部分情况下光照也是一致的,当前大部分去阴影研究并未考虑这个统一性,为此,我们创新性的提出了一个带蒙版的自适应实例规范化（Masked Adaptive Instance Normalization,MAdaIN）的模块,从而在去阴影的过程中对阴影区域以及非阴影区域进行分别处理,通过我们提出的模块,我们利用深度学习神经网络有效的提升了去阴影的效果,同时在以均方根差评测指标上都优于当前最新的方法,并且在视觉效果上表现更好。本文主要研究内容和贡献包括:1)提出了带蒙版的自适应实例归一化MAdaIN模块来对阴影区域以及非阴影区域分别做统一的处理。因为阴影区域和非阴影区域的光照强度基本是一致的,为此我们可以通过阴影掩码能够对阴影区域以及非阴影区域分别处理。通过实验数据表明,我们提出的方法有效的提升了去阴影的效果。2)我们提出了一个特征对齐模块（Aligner）来对齐经过不同卷积层的统计特征,解决了因为卷积神经网络因为随机初始化带来的学习不确定性问题通过我们提出的特征对齐模块Aligner,能够让网络自己逐步优化学习到相应的对应关系。3)为了进一步降低去阴影工作网络学习任务的复杂性,我们创新性的提出了一个阴影蒙版的合成模型,通过该合成模型能够更加有效的去除阴影以及简化网络设计,同时使得我们的网络更加容易训练。4)我们提出的方法在均方根差评测指标在阴影区以及非阴影区都比最新的去阴影方法好,同时在视觉效果上也要优于当前的最优方法。