Bei visuellen Objekterkennungsaufgaben können sich Lichtverhältnisse erheblich auf das Erscheinungsbild von Objekten auswirken und somit die Erkennungsmodelle basierend auf tiefen neuronalen Netzen verwirren. Insbesondere bei seltenen Lichtbedingungen ist die Sammlung ausreichend vieler Trainingsbeispiele zeitaufwendig und kostspielig. Um dieses Problem zu lösen, schlagen wir in diesem Artikel eine neuartige neuronalen Netzarchitektur namens Separating-Illumination Network (Sill-Net) vor. Sill-Net lernt, Lichtmerkmale aus Bildern zu separieren, und nutzt diese separierten Lichtmerkmale während des Trainings zur Erweiterung der Trainingsbeispiele im Merkmalsraum. Experimentelle Ergebnisse zeigen, dass unser Ansatz mehrere etablierte Benchmark-Aufgaben zur Objektklassifikation gegenüber aktuellen State-of-the-Art-Methoden übertrifft.