众所周知,文字是日常生活和社会生活中一种重要的表达和沟通工具。但随着时代的变迁和文化的演变,文字字体风格在反射文化传承、情感诉求、视觉美感,以至品牌形象、产品信息、行业特征等方面的功能,越来越受到人们的重视。特别是近年来数字化载体的蓬勃发展,字体(风格)的设计已经逐渐成为当今社会和生活的一种日常需求。中文字体在不同场景有着不同的风格需求,而且对新型个性化字体风格的需求还会持续地增加。然而中文字体设计需要由专业的设计师及其团队逐字创写,是一项任务繁重且耗费时间的劳动密集型工作。因此,关于中文字体风格迁移的研究,对新字体的设计工作有着重要的意义。中文字体风格迁移就是通过特定模型实现从源字体到目标字体的风格转换,但传统的中文字体风格迁移方法效率较低、泛化性较差,效果也不尽理想。随着深度学习技术在图像风格迁移领域的成功应用,基于卷积神经网络的中文字体风格迁移方法引起了人们高度的关注。特别是最近提出的基于生成对抗神经网络(GAN)的中文字体风格迁移算法,以更具灵活性的残差网络结构为核心,建构生成式模型进行对抗训练,在不同风格的中文字体之间实施了有效的迁移。本文在已有的基于深度学习方法基础上,对基于生成对抗神经网络的中文字体风格迁移算法作了进一步的探讨,主要从以下方面进行研究:(1)提出基于残差密集连接的端到端的生成模型,通过在原有生成模型中加入混合空洞卷积(HDC)结构,来加强不同尺度特征传递,减少使用下采样和上采样带来的特征损失,实验表明该结构使得生成字体质量得到了一定的提升。(2)在生成模型中除了使用MSE内容损失来约束源字体和真实目标字体外,我们还引入预训练网络模型,来获得生成字体图像和真实目标字体图像的深层特征损失,即感知损失。实验结果表明,加入感知损失可以使得生成字体质量的视觉真实感得到一定提升。(3)使用WGAN-GP算法作为网络模型的优化策略,使得网络训练更加稳定。(4)基于条件生成对抗神经网络,通过在生成模型中添加风格迁移条件,进而提出多对多的字体风格迁移算法,提高了模型的泛化性。