阴影检测一直以来是计算机视觉领域中基础且具有挑战性的问题,近年来,随着计算机硬件水平的发展,许多应用于阴影检测的传统方法已经被深度学习阴影检测方法所取代,基于深度学习的阴影检测方法成为了新的研究热点,以高检测精度和强泛化能力推进了阴影检测领域的发展。针对在小型移动设备上直接进行阴影检测任务时深度学习网络的层数限制和搭载设备的硬件性能不足等问题。轻量级网络凭借参数少、计算量小的特点,更适用于存储空间和功耗受限的移动端阴影检测任务,MobileNetV3轻量化网络经过了 V1和V2前两代的积累,性能和速度都表现优异,受到学术界和工业界的追捧,针对MobileNetV3在阴影检测领域的应用研究也成为了热门话题。为了在有效控制网络规模的前提下,提高模型的阴影检测效果,使得轻量化网络可有效用于移动端阴影检测任务,本文基于MobileNetV3做出进一步的改进,提出了两种不同的阴影检测网络模型实现轻量化的阴影检测任务。本文研究如下:（1）提出了基于MobileNetV3的双流特征提取阴影检测网络。通过设计细节图像特征提取流和全局图像语义提取特征流形成双流特征来强化对复杂阴影特征的提取,并对两个特征流中的阴影特征进行信息融合,综合利用阴影细节特征信息和全局阴影定位信息各自的优势强化轻量化网络的特征提取能力。实验证明,相较于MobileNetV3网络,该网络可以在保持网络低参数量的同时,大幅提升阴影检测的质量。（2）提出了一种融合扩张卷积的轻量化阴影检测网络。网络通过分析并改进MobileNetV3的特征提取过程,设计了一种扩张卷积瓶颈结构用于强化网络的特征提取能力,综合利用多尺度的阴影上下文信息,同时,在关键的特征层中构建空间信息补偿结构,减少阴影特征图在下采样的过程中造成阴影图像空间语义信息丢失,最后通过逐层特征合并上采样恢复至输入图像尺寸,经实验证明,和MobileNetV3网络相比较,该网络具有更少的网络参数量和更高的阴影检测精度,可以轻松部署在资源受限的移动设备上。（3）设计并实现了一款轻量化阴影检测系统。该系统采用上述两种阴影检测模型所训练的模型部署,用户可以选择待检测的阴影图像,通过两个不同的轻量化阴影检测网络进行训练预测,输出阴影检测结果,为用户提供可靠的移动端阴影检测服务。