音乐分离是音频分离任务的一个分支,器乐分离则是音乐分离任务在深度与广度上的扩展。器乐分离的第一种解释是基于音乐的分离,它的难度与音频分离任务难度相当,目的是将器乐音频从混合音频中分离出来,其分离出的特定音频可用于众多后续任务;第二种解释是在现有音频中将特定乐器演奏技巧分离出来,其分离的技巧音频可以很好应用于音乐家们对器乐进行演奏学习与音乐分析。现基于深度学习的音乐分离算法大多针对歌曲进行分离,而作为音乐重要组成部分的器乐曲特别是民族器乐曲却没有得到应有的关注,本文为缓解此种情形自制了基于竹笛音频录制的数据集Breath提供使用;Breath数据集包含竹笛音乐分离集与竹笛技巧分离集,竹笛音乐分离集用于对竹笛音频进行提取的音源分离任务,竹笛技巧分离集用于竹笛技巧分类任务。本文针对器乐分离的第一种解释,基于残差和注意力机制设计了RECA模块,改进了原用于音乐分离的U-net模型;在四音轨分离任务上使用MUSDB18数据集训练的RECA-U-net模型同它的两个变体以及其它深度学习算法相比分离性能评估指标大幅领先;在声歌分离任务上将RECA-U-net与它的两个变体相比也取得了优势;使用Breath竹笛音乐分离集对RECA-U-net模型进行训练,利用主观评价标准对模型进行分离性能评价,并给出了该模型在竹笛音乐中的适用范围。本文针对器乐分离的第二种解释,基于Breath竹笛技巧分离集构建了Breath1d和Breath2d器乐技巧分离参考模型;在对划分的子集进行二分类时,分别使用Breath1d和Breath2d模型对竹笛技巧进行了区分,得到了适合于不同技巧间分类的最佳模型;在对全集进行分类实验时通过借鉴数据增强方法,融合Breath1d和Breath2d模型将技巧分离性能提高到91.3%,最后通过分析性能提升的原因证明了数据集的完备性。