音乐作为一门反映人类情感与思想的艺术,早已深入人们的日常生活,但创作音乐作品并非易事。随着人工智能及自动化技术的发展,计算机自动音乐生成技术的出现在一定程度上满足了非专业人员进行音乐作品创作的需求。近年来,深度学习技术的快速发展促进了自动音乐生成技术的研究,有效避免了传统机器学习方法对音乐知识规则和人工设计特征的过度依赖,并且在复杂音乐生成任务中取得了更好的效果。然而,深度神经网络由于缺乏良好的可解释性,想要灵活控制神经模型的行为是非常困难的。目前大多数神经音乐生成的研究都主要集中于完全自动化的生成任务中,很少关注可交互性。在已有的交互式神经音乐生成方法主要集中在条件自回归方法与潜变量方法中,且普遍存在控制模式不灵活、数据标注困难以及模型难以优化等问题。针对这些问题,提出了一种基于轮廓标签序列控制的旋律生成变分自编码器。该方法通过由模型自动推断的旋律轮廓标签进行条件自回归任务的无监督学习,实现了旋律局部轮廓特征的建模;利用变分推断对旋律进行潜变量编码,弥补了前者在全局属性建模上的不足。该方法既可以通过轮廓标签调节生成旋律局部特征,也可以利用潜变量改变生成旋律全局属性。实验验证了该方法性能显著优于一般的循环神经网络与变分自编码器方法,且更易于训练。通过轮廓控制标签与潜变量可有效控制生成样本的局部与全局属性偏好,两者有着较好的独立性。