自数字化时代以来,汉字字体生成是计算机视觉领域的一个研究重点。汉字字体生成的传统方法大都通过拆解已有汉字的笔画结构然后重组这些笔画结构来生成新的汉字。近年来,随着深度学习的不断发展,大部分研究者都使用基于卷积神经网络或生成对抗网络的方法来实现汉字字体生成。这些端到端的方法取得了不错的进展。但是对于汉字字体生成任务而言,不仅需要保证所有汉字风格的一致性与真实性,而且需要保证每个汉字笔画结构的完整性。面对结构复杂、风格多样的汉字,现有的模型并不能尽如人意。本文首先构建了两个用于汉字字体生成算法研究的数据集,然后针对汉字字体生成任务的难点提出了SAFont和DMFont两个汉字字体生成算法。本文的主要工作包括:1.构建了多风格字体汉字数据集与王羲之书法作品数据集,可用于汉字字体生成算法的研究。其中多风格字体汉字数据集涵盖了100种社交平台上的常用字体,每种字体包含4000张左右的汉字图像。王羲之书法作品数据集里的图像主要来自于王羲之的书法作品《兰亭集序》,包含320张左右的图像。2.针对基于生成对抗网络的汉字字体生成算法生成结果缺乏笔画之间的层级结构的问题,提出了基于自注意力机制的汉字字体生成算法(Self-Attention Font Synthesis,SAFont),自注意力机制的引入能够使得模型在图像编解码阶段捕获汉字中笔画之间的层级结构,从而使得模型生成结构层次更鲜明的汉字。同时,设计了边缘损失来迫使模型更关注于汉字图像中的边缘像素。在多风格字体汉字数据集上的大量实验结果表明,SAFont能够生成结构层次更加鲜明、细节更加丰富、轮廓更加清晰的汉字。3.针对SAFont在复杂字体和复杂汉字数据集上生成结果质量不佳的问题,提出了基于密集模型的汉字字体生成算法(Dense Model Font Synthesis,DMFont),该网络是由多个SAFont串联而成的多模型结构,通过大量的旁路设置和特征向量复用,DMFont能够尽可能多地保留复杂汉字或字体中的结构与位置信息,从而生成质量更好的结果。同时,采用分阶段训练的策略来优化DMFont的参数。在复杂字体和复杂汉字数据集(均来自多风格字体汉字数据集)以及王羲之书法作品数据集上的大量实验表明,DMFont能够生成质量更佳的结果。