当透过玻璃等透明介质拍摄照片时,图像将包含介质内部的折射场景和外部的反射场景。通常情况下,反射场景部分是不需要的,需要尽可能被抑制。反射光的存在将影响诸如图像分割、物体识别以及三维重建等视觉任务。本文首先对现有的反射光去除方法进行讨论,着重分析各类方法的优缺点和局限性。现有的反射光去除方法主要分成三类:基于单张图片的方法、基于多张图片的方法以及基于深度学习的方法。调研发现,基于单张图片的方法由于存在很强的歧义性,所以需要对图像施加很多先验条件,如重影效果和相对平滑效果等,反射去除效果往往不明显。基于深度神经网络的方法通过构造一个包含反射图像和折射图像的数据集,并借助监督学习过程进行端到端的学习,而真实数据集的获取比较困难。本文使用多张图像进行反射光分离,多张图像在玻璃前以不超过某一角度轻微抖动下进行拍摄,算法流程包括折射层的梯度提取和基于矩阵低秩稀疏分解的折射场景恢复。本文算法优点是,图像获取相对简单,基于SIFT-flow匹准算法能得到准确的折射场景梯度,折射场景重构时不会导致失真。本文工作包括下面几个方面:1)获取折射图像的梯度。我们选择使用不同角度拍摄的多张图像,第一张图像作为参考图像,其他图像使用SIFT-flow算法根据参考图像对齐。使用Sobel算子提取多张图像梯度,如果所有图像在某个像素点都有梯度,则该像素点属于折射层;相反,如果仅有一张图像在某个像素点有梯度,此像素梯度标记为反射层,该特性作为折射场景梯度提取的重要条件。2)基于折射图像梯度,采用带梯度约束的矩阵低秩稀疏分解获取最终折射图像。我们对图像进行分片处理,在多张已匹准图像的相应位置找到patch,每一个patch进行列展开,则多个patch组成合成矩阵。由于匹准后图像的折射层内容相似,且占据了图像主要部分,则合成矩阵的折射部分是低秩的,而反射部分是稀疏的,并且折射部分的梯度应该与上述获取的梯度近似。所以,我们能够构建凸优化方程,求解出最后的折射层。3)根据实验结果对比该方法的优越性。依据结构相似性（SSIM）和峰值信噪比（PSNR）准则,最后实验结果表明,本文算法很好的去除合成图像的反射层,重构折射层不会出现图像色差。如果照相机靠近玻璃平面和折射场景占主体的话,算法的优越性更加突出。