中国书法文字众多,不同字体特点鲜明,早先的人工书法文字识别需要对相关人员进行专业的训练,给书法文化的普及带来了困难。随着人工智能技术的发展,人们开始利用机器学习算法实现自动化的书法文字识别,汉字字体识别(CCFR)和汉字字符识别(CCR)技术已经被广泛应用到各个场景。然而,在某些特定场景下(如书法教学、书法评价),同时需要书法的字体以及文字内容信息,目前还没有研究通过将两种书法识别任务进行关联来实现书法字体与文字内容的同步识别。因此,本文提出了一种基于深度迁移学习的书法字体与文字内容同步识别方法。首先,由于目前还没有适用于该同步识别任务的完备数据集,本文利用图像数据增强技术构建了一个用于书法字体与文字内容识别任务的书法识别训练数据集:通过字库文件生成基本训练数据集,然后利用灰度变换、取反变换、膨胀腐蚀变换、透视变换、添加斑点噪声等方法对数据集进行扩充,最终构成了含有8万张书法字图像的书法识别训练集。其次,搭建了一个用于书法字体与文字内容同步识别的深度卷积神经网络(FACSR-CNN),并在书法字专用数据集上进行了训练。基于深度迁移学习中的浅层特征共享方案,将1个书法字体识别网络与5个书法文字识别网络进行了组合,实现多任务信息共享的同时大大减少了计算消耗。在此基础上,提出了多网络输出概率乘积算法(MNOPP),将其用于书法字体与文字内容的同步识别,并在测试集上进行了测试。利用书法字体识别输出概率序列与书法文字内容识别输出概率序列对应相乘的方法对输出信息进行融合,可让2种识别任务进行互相纠正,明显提高同步识别准确率。最后,通过实验表明,本文提出的方法在测试数据集上达到了94.86%的同步识别准确率。作为首个基于深度迁移学习的书法字体与文字内容同步识别方法,具有广阔的应用前景。