Comme la police de caractères est l’un des concepts fondamentaux du design, l’identification automatique de polices à partir d’une image ou d’une photographie, ainsi que la suggestion de polices similaires, figurent depuis longtemps parmi les souhaits des designers. Nous étudions le problème de reconnaissance visuelle de polices (Visual Font Recognition, VFR), et améliorons de manière significative l’état de l’art grâce au développement du système DeepFont. Tout d’abord, nous constituons le premier jeu de données à grande échelle disponible pour la VFR, baptisé AdobeVFR, composé à la fois de données synthétiques étiquetées et de données réelles partiellement étiquetées. Ensuite, afin de réduire le décalage de domaine entre les données d’entraînement et celles de test, nous introduisons une méthode de décomposition basée sur un réseau de neurones convolutif (CNN), utilisant une technique d’adaptation de domaine fondée sur un auto-encodeur convolutif empilé (Stacked Convolutional Auto-Encoder, SCAE), qui exploite un vaste corpus d’images textuelles réelles non étiquetées combiné à des données synthétiques prétraitées selon une méthode spécifique. En outre, nous proposons une nouvelle approche basée sur l’apprentissage pour la compression de modèles, permettant de réduire la taille du modèle DeepFont sans compromettre sa performance. Le système DeepFont atteint une précision supérieure à 80 % (top-5) sur notre jeu de données collecté, tout en fournissant une mesure efficace de similarité entre polices, utile pour la sélection et la suggestion de polices. Nous parvenons également à une réduction de la taille du modèle d’environ six fois, sans perte perceptible de précision dans la reconnaissance.