中国书法举世闻名,在中国历史上出现过很多知名的书法家,并留下了许多非常珍贵的书法作品。如今为了更好的保护这些书法作品,将它们进行了数字化处理。通过这种方式,可以利用机器学习和模式识别技术来促进书法相关问题的研究,例如书法图像去噪、书法合成和书法分类与识别等。本文主要研究内容是中国书法分类,其中包含字体分类和风格分类。本文提出了一种新颖的多损失孪生卷积神经网络,能同时解决中国书法字体以及风格分类问题。首先,提出的网络中包含两个共享权重的分支,每个分支采用卷积神经网络提取图像特征。为了获得不同尺度下的特征表示,将Haar小波分解嵌入到卷积神经网络中。此外,本文融合了交叉熵损失和对比损失来优化网络。为了充分利用每个输入图像的类别信息,将网络每个分支作为一个分类模型,即将提取的图像特征送到全连接层进行分类,并且利用交叉熵作为损失函数。采用对比损失可以使得来自同一类的两个输入图像特征之间的距离尽可能地小,而来自不同类的两个输入图像特征之间的距离尽可能地大。本文进行了大量的实验来验证网络的有效性,实验结果表明本文所提出的多损失孪生卷积神经网络可以同时解决中国书法字体和风格分类这两个问题。并发现Haar小波分解的嵌入在两个分类任务上均提升了分类准确率,尤其是在风格分类任务上,这表明Haar小波分解可以更好地捕捉不同风格之间的细微差异。其次发现通过网络训练同时优化两种类型损失的方法比仅仅使用单个损失时的网络性能要更好,这表明两种损失起到了互补的作用。最后,将本文所提出方法与传统分类方法和深度学习方法进行了比较。实验结果表明,本文提出的方法在中国书法字体分类和风格分类任务上分别取得了99.95%和99.38%的准确率,均高于目前已有方法。