随着计算机科学的持续发展以及人们对艺术之美的不懈追求,通过计算机辅助实现的字体风格化技术逐渐崛起。字体风格化作为主流的文本美工技术之一,在平面设计以及杂志编排等领域中应用广泛。它通过一系列的编辑手段将未经特效加工的普通字体渲染成具有多种艺术效果的风格化字体,使得原本单调的字体呈现出复杂多变的文本效果,进而在相关领域的应用中更具观赏性和实用性。传统字体风格化方法使用PhotoShop等图像编辑软件手工完成对普通字体的风格化处理。该方法局限性在于软件操作较为复杂;制作风格化字体的步骤繁琐;无法批量生成风格化字体等。这些缺点导致其制作成本较高,对于普通用户而言具有一定难度,实用性较差。现有学者针对上述缺点提出了一种基于统计学的字体风格化方法,该方法在计算机的辅助下,将样本字体的骨架与渲染特效的空间分布作为约束条件来指导字体的纹理合成,有效地解决了手工方法制作缓慢,成本较高的问题。然而,使用该方法生成的纹理效果受限于字体骨架,不具有普遍性。因此,如何提供一种高效且不受文字骨架限制的字体风格化方法是一项亟待解决的问题。近几年来,随着深度学习的快速发展,基于深度神经网络的特征提取算法在图像风格化领域中突飞猛进,这使得我们能够运用深度学习的方法来完成对普通字体的风格化处理。本文首先使用了条件生成对抗网络对字体风格化进行深入研究,在研究过程中,我们发现由该网络得到的风格化字体存在纹理模糊的缺陷。针对上述字体风格化方法存在的缺陷,本文提出了以下解决方案:(1)提出了一项基于改进条件生成对抗网络的字体风格化方法。该方法首先将手工制作的少量数据集输入网络进行训练得到风格化模型,然后借助该模型实现了半自动的批量风格化处理,有效地解决了传统手工方法复杂耗时,效率低下的问题。实验结果表明,该方法能生成纹理多样且不受限于文字骨架的风格化字体,但仍存在纹理效果模糊的问题。(2)提出了一种基于对抗学习的二阶段式字体风格化方法。该方法包含风格化处理以及清晰化处理两个步骤,首先构建风格化模型完成对字体的风格化处理;然后构建清晰化模型对生成的风格化字体进行清晰化处理,这克服了单一风格化模型生成字体模糊的缺陷。实验结果表明,二阶段式的字体风格化方法生成的字体纹理细节逼真,清晰度较高,具有较强的实用价值。