Pour les tâches de reconnaissance d'objets visuels, les variations d'éclairage peuvent entraîner des changements significatifs dans l'apparence des objets, perturbant ainsi les modèles de reconnaissance basés sur les réseaux neuronaux profonds. En particulier, pour certaines conditions d'éclairage rares, la collecte d'un nombre suffisant d'échantillons d'entraînement peut s'avérer longue et coûteuse. Afin de résoudre ce problème, nous proposons dans cet article une nouvelle architecture de réseau neuronal appelée Séparating-Illumination Network (Sill-Net). Sill-Net apprend à séparer les caractéristiques d'éclairage des images, puis, durant l'entraînement, nous enrichissons les échantillons d'entraînement en intégrant ces caractéristiques d'éclairage séparées dans l'espace des caractéristiques. Les résultats expérimentaux démontrent que notre approche surpasser les méthodes de pointe actuelles sur plusieurs benchmarks de classification d'objets.