文字是人类进行信息交流的重要工具,研究文字自动生成技术具有重要的实践和理论意义:文字生成技术能用来提高文字多媒体内容的生产效率,比如字体设计、视频文字特效生成等,还有助于理解人类智慧背后的机理,促进神经科学和模式识别等领域的交叉融合。本文研究的文字图像轨迹恢复是一种跨越了图像和轨迹序列两种模态的文字生成任务,虽然学术界对该任务有多年的研究历史,但由于文字图像的结构复杂性、文字轨迹序列的时空复杂性还有图像到序列的跨模态映射复杂性,导致轨迹恢复研究目前仍然存在许多尚未被攻克的关键难题。质量评价和算法设计是轨迹恢复研究中最关键的两个问题,前者是对算法好坏的客观反映,是算法设计的基石,后者是实现轨迹恢复任务的手段。本文针对这两个问题进行研究:（1）本文认为轨迹恢复要兼顾文字字形和文字运动轨迹两个方面,所以本文分别从字形相似性和轨迹相似性出发,提出了两个全新的轨迹恢复质量评价方法。为了量化字形相似度,本文提出了动态交并比（Dynamic Intersection over Union,DIo U）算法,DIo U定义了两个文字图像的重叠率,并在计算字形相似度时利用动态膨胀算法自适应地调整笔画宽度,从而消除笔画宽度对评价结果的影响。实验结果表明,相比常用的图像相似性指标（比如峰值信噪比和结构相似度）,DIo U对文字结构的变化有更好的敏感性,因此适合用于评价恢复轨迹的字形质量。对于轨迹相似性的量化,本文引入LNDTW（Length-Normlization DTW）序列对齐算法来计算恢复轨迹和真实标注轨迹的差异。理论分析和实验表明,LNDTW能适应轨迹的复杂性,在轨迹长度不一和采样率可变等挑战下,仍然能有效地反映恢复轨迹的误差,印证LNDTW指标能从轨迹方面来评价恢复轨迹质量。（2）轨迹恢复算法要考虑到轨迹恢复任务的多模态属性,因此本文提出了一种基于非对称双流卷积循环神经网络的轨迹恢复算法。为了高效地实现文字图像到轨迹序列的模态转换,本文认为文字图像的二维特征可以被拆解成x和y两个方向上的一维特征,并分别使用两个非对称的CNN从输入图像中提取得到x和y方向的一维特征,然后使用RNN从一维特征中提取上下文信息。最后,为了实现轨迹序列的输出,本文使用了RNN解码得到轨迹坐标点序列。在训练过程中,为了解决恢复轨迹序列和标注轨迹序列难以对齐的问题,本文引入了可微分的Soft DTW损失函数来稳定训练并提升恢复轨迹质量。实验结果表明,相比轨迹恢复基础算法,本文提出的非对称双流卷积循环神经网络算法能在不增加计算量的前提下,在LNDTW和DIo U指标上分别取得6.5%和19.7%的改善。