汉字的生成技术自数字化以来就开展了广泛的研究。传统的汉字生成方法从汉字的结构出发,将其拆解为单位更小的笔画,再通过排列组合形成新的汉字。此方法片面的研究了汉字的组成结构,生成的汉字通常不够自然。随着深度学习的不断发展,逐步出现了通过构造深度学习模型来研究汉字的生成方法,这些方法取得了不错的进展。但是对于风格差异更大的手写汉字而言,不仅要保证生成汉字笔画结构的正确性与完整性,还要求准确地学习到手写汉字的风格。现有的模型并不能生成结构清晰、笔画正确且风格差异的手写汉字。针对上述问题,本文首先制作了一个多风格手写汉字数据集,然后设计了DCGAN的结构来生成手写汉字。针对生成效果的不足,逐步提出了FEMD-GAN以及FMR-GAN两种改进的手写汉字生成算法。本文的主要工作如下:1)制作了多风格手写汉字数据集作为本次研究的基础数据集,数据集中包含了1500个汉字,每个汉字有64种手写风格。以该数据集为基础,将卷积神经网络与生成对抗网络相结合,经过详细设计得到基于卷积神经网络的手写汉字生成方法（Deep Convolutional GAN,DC-GAN）。该方法能够生成较好的手写汉字,验证了基于生成对抗网络GANs理论生成手写汉字的可行性。2)针对DC-GAN生成的手写汉字结果杂乱无序、多样化不足的问题,提出了基于信息反馈与EM距离的手写汉字生成方法（Feedback and Earth-Mover Distance GAN,FEMD-GAN）。FEMD-GAN首先引入信息反馈来指导生成模型的训练,使模型在无监督训练下生成类别相同的汉字;此外还引入EM距离来改进模型中的距离度量方法,使生成模型更有效地向真实分布方向收敛,从而提升模型的稳定性,并且产生风格多样的手写汉字。将FEMD-GAN与DC-GAN两种方法生成的手写汉字结果对比,发现FEMD-GAN能够生成类别相同、风格多样的手写汉字。3)针对FEMD-GAN在复杂结构的手写汉字中生成质量不佳的问题,提出了基于特征匹配与残差网络的手写汉字生成方法（Feature Matching and Residual GAN,FMR-GAN）。FMR-GAN在FEMD-GAN的基础上引入特征匹配指导生成模型更好的学习手写汉字数据的特征信息;同时引入残差网络增加模型的学习能力。将FMR-GAN与FEMD-GAN两种方法生成的手写汉字结果对比,发现FMR-GAN对复杂结构的手写汉字的生成效果更好。