在视觉物体识别任务中，光照变化会导致物体外观发生显著改变，从而干扰基于深度神经网络的识别模型。尤其在某些罕见光照条件下，获取足够多的训练样本往往耗时且成本高昂。为解决这一问题，本文提出一种新型神经网络架构——分离光照网络（Separating-Illumination Network, Sill-Net）。Sill-Net能够学习将图像中的光照特征进行分离，并在训练过程中，将这些分离出的光照特征在特征空间中用于增强训练样本。实验结果表明，所提方法在多个物体分类基准测试中均优于当前最先进的技术。