在计算机技术飞速发展的今天,计算机技术与众不同的表现在各领域中都渐露锋芒,它在音乐领域中也渐渐地开始大展身手。近年来将机器学习、深度学习技术应用在音乐领域各个分支问题上的研究层出不穷,这些研究为音乐信息检索领域的发展注入了新的活力。音乐是一种抽象的表达,而传统机器学习或深度学习能够通过其模型结构的设计对抽象的内容进行学习,所以可以将其有效地运用至音乐信息特征的学习中。和弦在音乐中属于中层特征,它包含了许多信息,同时也是音乐分析中必不可少的一个维度。为了能够运用计算机技术更好地辅助人们对音乐作品进行分析,本文是以西方古典音乐作为研究对象,研究音乐片段的和弦识别问题。本文使用传统机器学习方法对和弦音名字母标记的识别问题进行了相应的实验,构建了考虑调性信息的Key-chord HMM,用以估计与音乐片段对应的最优和弦序列,该模型相较于普通的HMM,对和弦音名字母标记识别的准确率提升超过了5%。同时运用深度学习方法,在基于神经网络特征提取与统计模型的基础上提出了一种将卷积单元、双向长短期记忆单元与条件随机场相结合的策略,来处理单个任务或具有多个子任务的和弦识别问题,进一步优化了模型结构,提高了模型的效果。文中提出的多任务学习对应解决的是和弦功能标记识别问题,该方法将和弦功能标记识别问题分解成为多个相关联的子任务,它们在CNN及Bi LSTM层中共享参数,并使用不同子任务特定的CRF层来约束每个子任务的输出。实验结果证明了该方法在和弦识别问题的准确性上得到了一定的提升,相较于Key-chord HMM,和弦音名字母标记识别的准确率提升超过了10%,同时对和弦功能标记识别各子任务的准确率也有所提升。本文希望通过此研究能对人工智能在音乐领域应用的学者们有所启发,同时也能对音乐领域相关的研究者们提供借鉴和参考。