字体设计是媒体内容创意的重要组成部分,但是中文字体设计费时费力、代价高昂。中文字体的自动生成有望大幅度降低字体设计成本。现有探索大多数聚焦在基于汉字合成的方法,然而这类方法过程繁琐并且难以避免特定情况下的人工干预。近年来,受到深度卷积神经网络(CNN)在图像转换任务中成功应用的启发,基于图像转化的中文字体生成方法开始受到关注。这类方法利用字体转化模型将现有字体迁移成目标字体,已在中文印刷体生成任务上展现出一定的效果。然而该方法仍存在如下不足。第一,对于具有不规则连笔结构和较细笔画的中文手写体(亦称书法体)表现不佳;第二,复杂结构区域的笔画清晰度和准确度仍有待提升;第三,需要大幅度减小训练数据集的规模以减少人工设计的成本,即实现基于小规模数据集的建模。围绕以上不足之处,本文重点进行了两方面的创新性探索。针对如何生成中文手写体,本文提出基于层次生成对抗网络的字体风格迁移算法(HAN)。考虑到汉字不同于栅栏式自然图像,具有更精细的笔画结构,提出阶段解码器(Staged Decoder),基于深度卷积网络中多层特征映射重构目标字体,以同时捕捉汉字的全局间架结构和局部笔画特性。另一方面,提出层次对抗鉴别器(Hierarchical Adversarial Discriminator),利用判别器不同隐层对原图不同抽象程度的特征表达来动态地衡量目标域和生成域之间的分布差异,以提高生成器拟合真实分布的能力。实验表明,无论在中文印刷体还是手写体上,相比于当前主流的图像转换模型和字体迁移模型,HAN在均方根误差指标和主观评测指标上均取得了显著提升。针对笔画细节处的优化,本文在HAN的基础上提出协同笔画优化(CSR)策略,通过构造一个关联性的辅助字体迁移任务,协作原字体迁移任务以优化笔画细节,达到了精细化生成的目标。针对训练数据集的规模限制,提出线上缩放-增强(OZA)策略,以便模型学习到汉字基本部件的位置多样性和形变多样性,并且隐式地对常见的汉字结构进行建模。实验表明,对比当前主流的字体迁移模型,在相同规模训练集下,CSR-OZA获得了目前逼真度最高的生成效果,并将训练数据的规模降低到750个汉字,逼近当前商业实用的需求。