Da Schriftarten zu den zentralen Gestaltungsprinzipien gehören, steht die automatische Erkennung von Schriftarten und die Vorschlag ähnlicher Schriftarten anhand von Bildern oder Fotos seit langem auf der Wunschliste vieler Designer. In dieser Arbeit untersuchen wir das Problem der visuellen Schriftartenerkennung (Visual Font Recognition, VFR) und erreichen eine bemerkenswerte Verbesserung des Standes der Technik durch die Entwicklung des DeepFont-Systems. Zunächst erstellen wir die erste verfügbare große Datensammlung für VFR, die wir AdobeVFR nennen und die sowohl beschriftete synthetische Daten als auch teilweise beschriftete reale Datensätze aus der Praxis umfasst. Um die Domänenunterschiede zwischen den verfügbaren Trainings- und Testdaten zu überwinden, führen wir einen Ansatz basierend auf einer Convolutional Neural Network (CNN)-Zerlegung ein, der eine Domänenanpassungstechnik auf Basis eines Stacked Convolutional Auto-Encoders (SCAE) nutzt. Dabei werden eine große Menge unlabeled realer Textbilder mit synthetischen Daten kombiniert, die auf spezifische Weise vorverarbeitet wurden. Darüber hinaus untersuchen wir einen neuartigen, auf Lernverfahren basierenden Ansatz zur Modellkompression, um die Größe des DeepFont-Modells zu reduzieren, ohne dabei die Erkennungsleistung zu beeinträchtigen. Das DeepFont-System erreicht eine Genauigkeit von über 80 % (Top-5) auf unserer gesammelten Datensammlung und liefert zudem eine zuverlässige Maßzahl für die Ähnlichkeit zwischen Schriftarten, die für die Auswahl und Vorschlag von Schriftarten nützlich ist. Zudem gelingt es uns, das Modell um etwa den Faktor sechs zu komprimieren, ohne dass eine sichtbare Verschlechterung der Erkennungsgenauigkeit auftritt.