书法是中华文化的精粹,人们欣赏作品或练习书法的时候最关心的问题就是书法体的风格。基于图像学的书法风格研究不仅在书法字体分类存储、入库及检索等应用中有重要的地位,在书法爱好者的临写过程中,用机器辅助指出其风格不一致的字从而有针对性的改进,也有重要的意义。本论文对书写/书法风格识别与一致性问题进行研究,将一致性检测问题建模为一种风格体中的异常值检测（Outlier detection）,在对书法风格特征提取的基础上,应用分类器进行一致性判断。本文提出以深度学习算法中的栈式自编码器作为特征提取算法,采用Softmax分类器进行风格识别,使用单分类SVM（one-class SVM）和kNN算法进行一致性检测,取得良好效果。本文主要工作如下:（1）提取了标准书法字体库;通过自己设计的页面分割和最小包围盒字符切割程序生成了包含草体、行书、楷体、隶书、篆书的标准字库与楷书四大家欧、颜、柳、赵的字体库并以此作为原始数据集。（2）研究并实现了基于PCA、小波及Gabor的特征提取算法,以及基于SVM的分类算法。提出将深度学习应用于风格识别,对该问题进行建模并设计实验方案,对比了栈式自编码器与传统的特征提取方法的不同。（3）在基于栈式自编码器与Softmax的识别方案中,提出使用基于局部最大相关熵的代价函数（MCC）代替常用的最小均方误差（MSE）函数,取得更优的效果。同时研究深度学习过程中的样本数、层数和节点数等参数设置对于实验结果的影响,并选择最佳参数。（4）提出使用kNN和单分类SVM替代上述方案的Softmax分类器,分别用两种方法进行分类识别,应用于书法风格一致性检测,取得良好的效果。总而言之,本文首次提出将栈式自编码器作为书法风格的特征提取算法,提出基于深度学习与kNN算法和单分类SVM相结合的书法风格一致性检测方法,取得良好效果。