阴影检测是场景理解中一项重要且具有挑战性的任务。尽管近年来基于深度学习的方法取得了令人瞩目的成果，但现有方法在处理视觉外观上难以区分的阴影与非阴影区域（本文中称为“干扰区域”）时仍存在困难。为此，本文提出一种面向干扰感知的阴影检测网络（Distraction-aware Shadow Detection Network, DSDNet），通过在端到端框架中显式学习并融合视觉干扰区域的语义信息，提升检测性能。该框架的核心是一个新颖的独立式、可微分的干扰感知阴影（Distraction-aware Shadow, DS）模块，该模块通过显式预测误报（false positives）和漏报（false negatives），使模型能够学习到对干扰具有鲁棒性的判别性特征。我们在三个公开的阴影检测数据集（SBU、UCF 和 ISTD）上进行了大量实验以评估所提方法。实验结果表明，该模型能够有效抑制误报与漏报，显著提升阴影检测性能，达到当前最优（state-of-the-art）水平。