笔画是汉字的基本组成单位。笔画的结构布局、笔迹风格也是汉字“神”与“形”之美的来源。笔画提取可以分为笔画分解和笔画排序两个子任务,即先从文字图像中分解出构成该文字的独立笔画图像,再按照标准笔画顺序排序。书法笔画提取可应用于书法作品的动态重现、书法评价等问题,对书法文化的传承有重要意义。而现有的笔画提取方法通常存在对复杂笔画识别效果差、算法效率低、无法处理未知文字、忽视笔画顺序等问题。现有的笔画提取数据集中,也缺乏较大规模的书法字体数据。针对现有笔画提取数据不足的问题,本文提出了一种只需少量人工标注的笔画提取数据集构建方法。该方法首先标注少量笔画类别数据,训练笔画分类器对剩余笔画分类,从而得到单一字体笔画提取数据集。然后通过数字墨水仿真模型,将其迁移至其他字体风格。本文结合该方法和现有数据集构建了楷书、硬笔楷书和隶书书法笔画提取数据集。针对现有数据驱动笔画分解模型无法处理未知文字的问题,本文提出了基于语义分割的书法笔画分解模型Data Augmented Stroke（DAS）。该模型由数据增强模块、Deep Lab V3+和推理模块组成,并使用加权交叉熵进行训练。DAS模型在本文提出的三个书法笔画提取数据集上,前景的频率加权交并比（FFWIo U）都达到了93%以上。而在公开数据集上,DAS模型也取得了有竞争力的结果,并且有可以处理未知文字的优势,具有更好的通用性。针对笔画排序任务,本文基于指针网络提出了全新的指针笔画排序模型PSOM及其优化模型PSOM-slim。该模型使用Res Net对笔画图像编码,使用注意力层和LSTM进行解码得到排序结果。PSOM-slim在三种字体的数据上排序准确率都达到了97%以上。与现有的数据驱动笔画排序方法相比,PSOM具有预测时不依赖笔画库和可以处理未知文字的优势。最后,本文将DAS与PSOM-slim结合,得到完整的书法笔画提取模型,并在多种字体的书法名帖上进行了测试。实验表明,该模型能够较好地解决楷书、硬笔楷书和隶书的书法笔画提取问题。对于笔画提取非常困难的行书数据,模型也可以给出部分合理的结果。