针对汉字的风格迁移技术一直以来都是图像处理以及计算机图形学领域中的研究热点。传统的汉字风格迁移技术大多都是通过笔画重组的方式合成字形,由于人工参与度过高,因此比较费时费力。近年来,学者开始使用基于卷积神经网络和生成对抗网络的方法来生成汉字。此类方法在对非衬线字体的生成任务上都能取得不错的效果,但随着时代的发展和进步,人们对于个性化手写体字体的需求日益增加,这类字体相较于非衬线字体生成难度更大。爨体字作为典型的手写体衬线字体,起源于云南曲靖,现如今被广泛运用在云南街头的各个场所中,使用生成对抗网络生成爨体字具有重要的意义。爨体字具有特定的书法风格,字形结构复杂多样,现有的模型并不能很有效的将其生成。在生成过程中,笔画的弯折处容易出现严重的伪影,并伴有模糊与失真且部分独立笔画之间像素粘连的现象。本文针对现有工作的不足,提出了基于稠密自适应生成对抗网络的爨体字生成模型。其主要工作如下:（1）针对手写体衬线字体生成效果中整体出现严重伪影的问题,本文提出了基于稠密自适应生成对抗网络的爨体字生成模型。具体地,本文将自适应实例归一化与稠密卷积神经网络结合得到稠密自适应卷积块,并将其放在编码器与解码器之间,能够加强对特征的提取,加深网络的学习能力,从而减少伪影的产生。（2）针对手写体衬线字体生成效果中偏旁部首等细节处容易出现模糊与失真的问题,本文提出了边缘损失函数来约束字形结构,能够尽可能多地保留汉字结构中的细节信息。（3）针对手写体衬线字体生成效果中字形结构保持不到位且部分独立笔画之间出现像素粘连的问题,为了进一步使得生成的图像与真实图像尽可能的接近,本文在生成图像与真实图像之间添加了感知损失,进一步提升了生成图像的效果。此外,本文在模型生成图像之后用像素滤波处理的方式对字形进行了美化,从而使得生成的图像保持一定的锐度。本文通过与字体风格迁移领域的其他工作进行实验对比,有效验证了爨体字生成模型出色的性能。除此之外,本文还通过SSIM,欧氏距离等客观评价指标对模型生成的效果进行了定量的对比,进一步证明了本文模型的先进性。通过消融实验验证了本文每一项改进的有效性。通过参数分析实验验证了本文各项参数设置的合理性与科学性。