1.练字学习方法，其特征在于，包括：

采集字帖的识别图像；

根据所述识别图像，得到所述字帖的第一特征信息；

采集使用者针对所述字帖练习的练字轨迹；

根据所述练字轨迹，得到所述字帖的第二特征信息；

根据所述第一特征信息和所述第二特征信息的相似度，确定所述使用者针对所述字帖练习的评分。

2.根据权利要求1所述的方法，其特征在于，所述根据所述练字轨迹，得到所述字帖的第二特征信息，包括：将所述练字轨迹输入已训练的神经网络，得到已训练的神经网络输出的目标练字轨迹；其中，所述已训练的神经网络为从前向后传播的神经网络，包括一个输入节点和一个输出节点，在训练阶段的目标损失函数包括正则化项；

获取所述练字轨迹与所述目标练字轨迹的残差；

确定所述残差中的异常轨迹点；

根据剔除所述异常轨迹点的目标练字轨迹，得到所述字帖的第二特征信息。

3.根据权利要求2所述的方法，其特征在于，所述已训练的神经网络在训练阶段基于所述练字轨迹的特性，确定以下至少一项：所述正则化项的正则系数；

归一化并初始化神经网络的神经元的权重；

隐藏层的以下数据：层数和每层的神经元的数量。

4.根据权利要求3所述的方法，其特征在于，所述已训练的神经网络在训练阶段的目标损失函数还包括：原始损失函数；所述原始损失函数包括：均方误差函数或平均绝对误差函数；

所述已训练的神经网络经由以下训练步骤确定：基于当前训练的神经网络的参数，更新本次训练的所述目标损失函数中的所述原始损失函数和所述正则化项，采用梯度下降算法和反向传播算法更新当前训练的神经网络的参数，并跳转至执行所述训练步骤，直至训练次数达到迭代次数阈值或目标损失函数的返回值小于目标阈值，得到已训练的神经网络。

5.根据权利要求4所述的方法，其特征在于，所述采用梯度下降算法和反向传播算法确定当前训练的神经网络的参数，包括：基于预设学习率，确定对当前训练的神经网络的神经元的权重进行调整的学习率；其中，所述预设学习率基于本次训练的目标损失函数与所述练字轨迹的特性确定；

基于所确定的学习率，采用梯度下降算法和反向传播算法确定当前训练的神经网络的参数。

6.根据权利要求5所述的方法，其特征在于，所述基于预设学习率，确定对当前训练的神经网络的神经元的权重进行调整的学习率，包括：基于预设学习率和学习率调整规则，确定对当前训练的神经网络的神经元的权重进行调整的学习率。

7.根据权利要求3所述的方法，其特征在于，所述正则化项为L1范数或L2范数。

8.练字学习装置，其特征在于，包括：

第一采集模块，用于采集字帖的识别图像；

第一特征信息获得模块，用于根据所述识别图像，得到所述字帖的第一特征信息；

第二采集模块，用于采集使用者针对所述字帖练习的练字轨迹；

第二特征信息获得模块，用于根据所述练字轨迹，得到所述字帖的第二特征信息；

评分确定模块，用于根据所述第一特征信息和所述第二特征信息的相似度，确定所述使用者针对所述字帖练习的评分。

9.计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。

10.计算设备，其特征在于，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7中任一项所述的方法。