尽管计算机字体库中存储了仿宋、魏体、华文彩云等多种字体,但在当前强调个性化,追求个性化的时代,人们更希望拥有多种极具个人风格的艺术字体,用以满足其日益增长的文字艺术欣赏的精神需求。因此,实现艺术风格字体的生成是当前的一个必要的研究方向。而该问题所面临的主要挑战在于:1)相比于拉丁文字母,汉字的数量众多,结构更为复杂。2)主流的汉字生成技术,不但需要构建大量的配对训练集,而且生成的汉字图像存在字迹不清、结构扭曲等问题。3)个人风格字体拥有更大的风格偏差性和随机性。近年来,深度学习模型在各领域得到成功的运用,本文结合深度学习模型的数据处理能力强、准确率高等优势,基于生成对抗模型提出两个汉字生成模型。为该问题提供了一种潜在的解决途径。本文主要工作如下:1.针对现有汉字配对训练数据集稀少,以及现有主流方法生成的字体图像存在字迹不清、结构扭曲等问题,本文提出了基于生成对抗网络的多模态手写汉字生成模型(HCC-GAN)。具体地,通过引入self-attention使网络能关注到图像中文字的纹理几何特征,提高网络模型生成汉字的准确性。除此之外,本文优化了损失函数,解决了现有方法中对输入字体图像和生成图像只进行相似度计算而无法对未对齐数据进行合理度量的问题,实现了对两个不同域字体图像间相似性计算过程。通过在CASIA-HWDB数据集上的实验,表明该模型具有更好的汉字图像生成效果。2.针对现有汉字生成方法仅面向两个不同风格的字体域之间一对一的相互转化,而无法解决多种风格字体之间一对多的互相转化的问题。本文提出了基于生成对抗网络的多风格手写汉字生成模型(MSHCC-GAN)。具体地,提出了一个新的生成器模块(Gttention),在生成风格的同时还能够对不同的风格进行区分,从而实现模型对不同风格字体的一对多转换。除此之外,优化了损失函数,使得模型能够保持生成的字体图像与输入的字体图像在内容方面的一致性。该模型在CASIA-HWDB数据集上的实验结果表明,MSHCC-GAN模型能够同时生成多种不同风格的字体。