字库是外文字体、中文字体以及相关字符的电子文字字体集合库,被广泛用于计算机、网络及相关电子产品上。字库产品的开发是一项极为耗时的工作,其严重依靠字体设计师的手工作业,尤其是对于拥有庞大字符数量的中文字体[1]。因此,自动化的字体生成是一个重要且亟待解决的问题。近年来,深度学习技术取得了巨大发展。相比于传统算法,深度学习技术具有可端到端训练、无需领域知识等优势,针对字体生成算法的研究已经由传统算法转向基于深度学习。少样本字体生成算法指的是仅使用少量的参考样本生成一种新字库,可以极大减少字体设计师的工作量,具有广阔的应用前景。尽管深度学习技术促进了字体生成研究的发展,但其受限于对大量训练数据的依赖,已有的基于深度学习的字体生成算法在少样本情况下泛化能力差、生成质量低。本学位论文针对这一问题,重点研究了包括预训练策略、字体生成模型的设计两个方面的内容。本文依次提出了基于元学习的预训练策略、基于Transformer的字体生成模型。本文所提出的算法对深度学习在字体生成方向具有重要的研究价值和意义。本文的创新点和贡献点包括以下两个方面。首先,本文提出了一个基于深度元学习的预训练方法MLFont。该算法从元学习的角度来解决少样本字体生成这一问题,强调充分利用已有字体来提高模型对于新字体的泛化能力,以实现少样本字体生成。具体来讲,现有的深度元学习算法主要关注少样本图像分类问题,为了将元学习应用于字体生成任务上,该算法提出了一个基于MAML的元训练策略和一种针对字体生成的任务组织方法。通过随机的字体生成任务和字形内容、风格的分别提取,字体生成模型在元训练阶段学习字符结构的先验知识,然后通过微调快速适应新字体的生成。大量实验表明所提出的方法在L1loss、IOU、SSIM三种定量评价指标上优于非少样本字体生成方法:Pix2pix[2]、Zi2zi[3]、DenseNetCycleGAN[4]、MTfontGAN[5]、EMD[6],生成的字形图像有着更完整的字符结构和更少的噪声。其次,我们发现预训练策略虽能提升模型表现,但是模型本身的性能更为关键。针对MLFont中字体生成模型较弱的问题,提出了一个新的基于Transformer的字体生成模型。提出的FontTransformer包含两个编码器来分别学习字符内容和字体风格表征,一个解码器来生成目标字形图像。得益于Transformer对远距离交互的建模能力,所提出的模型在少样本字体生成上有着出色的表现。大量实验表明所提出的算法显著超过已有的基于卷积神经网络的方法EMD[6]、MLFont[29]、LF-Font[7]和MX-Font[8],生成的字形图像有着更为准确的字体风格和笔画细节。