作为一种象形文字,汉字具有复杂的结构和语义,一套完整的汉字字符,需要专业字体设计人员花费两至三年的时间完成,人工和时间成本极高;同时,文化、媒体、商界等各个领域的用字需求急剧增长,与现有滞后的汉字生产技术形成了强烈的供需矛盾。字体生成技术,指通过某种先验知识或者算法模型,辅助字体设计或者生产的自动化,是缓解用字需求的重要解决途径。然而,现有的字体生成技术只能解决字体生产中的一个或若干个环节,无法完全自动化;即使是摆脱了人为监督的图像转换方法,也难以保持生成汉字的字型,违反了汉字设计的准确性和可读性的原则。针对现有图像转换方法存在的问题,本文提出了一种全新的方法SSNet(StructureSemantic Net),从源域字体到目标域字体转换的过程中,保持生成的目标字体的汉字结构和语义。此外,本文提出了一种面向汉字生成的双掩膜Hausdorff距离,将生成图像双掩膜得到文字区域和背景区域,某个区域中错误生成的像素的惩罚值,设置为其到另一区域的Hausdorff距离,针对不同的汉字给出不同的精确约束,稳定训练过程。SSNet由三个子网络组成,结构网络、语义网络和生成网络。结构网络和语义网络负责源域字体特征的提取,结构网络通过从汉字到五种笔画的转换,实现汉字特征基于笔画信息的解耦,得到结构特征;语义网络通过两阶段训练策略,在预训练阶段学习从多源域字体到不同辅助目标字体的转换,获得汉字语义提取能力,在训练阶段提供语义特征。生成网络中的解码器融合输入的结构特征、语义特征和嵌入风格向量,在像素级、特征级和图像级等三个粒度的损失下被约束,生成目标字体;生成网络中的层次Patch鉴别器在不同的特征尺度对生成图像进行鉴别,进一步促进生成汉字图像的质量。本文设计了多种实验,通过与现有的四种图像转换方法的对比,本方法的消融实验、在不同的实验规模、甚至扩展到书法生成的情况下,使用MSE、PSNR、SSIM和VIF四种不同维度的图像评估指标,在生成结果和不同评价指标上,呈现出SSNet在汉字印刷字体生成任务中的显著性能。实验表明,SSNet相比现有的汉字生成方法,不仅生成字型准确、清晰的汉字印刷字体,并且可以泛化到书法字体的生成;即使训练样本数量低至500至1000之间时,仍然保持生成高质量的汉字印刷字体。