音乐流派转换是指在保留音乐整体内容的基础上,对两种或多种流派音乐进行风格或者演奏乐器转换。音乐流派转换研究可以启发音乐创作者的灵感,是人工智能众多领域中的一个重要研究课题。现有音乐流派转换模型主要实现了两类流派音乐间的转换,对于多流派间转换主要通过反复建立两类间转换模型来实现。这种方式易导致模型多,实际应用复杂等问题。基于此,本文针对多种流派音乐间的转换问题开展研究,主要工作如下:（1）提出了一种多流派音乐转换模型MMT-Star GAN。针对多类流派间转换需反复建立两类间转换模型的问题,该模型基于Star GAN思想,使用音乐的梅尔频谱图和随机目标流派标签训练一个通用的生成器生成指定流派的梅尔频谱图,并训练一个判别器同时判断梅尔频谱图的真实性和流派类型,能够将任意时长的原始流派音乐转换成多种目标流派,实现了多流派间转换。（2）针对现有模型采用循环一致性损失保留原始音乐内容会引入多余噪声的问题,MMT-Star GAN模型引入一个内容保留网络代替原始Star GAN中循环一致性损失,来约束转换前后的特征向量,使其尽可能地相等,提升了对原始音乐整体内容的保留效果。同时,为提升转换质量,引入子像素卷积网络代替原始Star GAN生成器中的反卷积网络。（3）提出了一种损失函数动态权重方案。针对现有模型倾向于学习差异明显的流派音乐之间的转换,在相似流派音乐之间的转换效果较差的问题,本文将音乐流派间的差异性作为权重纳入到损失函数计算中,对于差异小的流派给予较大权重值,从而有效增大了相似流派音乐间损失,提升了模型的转换效果。同时,为稳定模型训练,引入铰链损失代替原始Star GAN中的对抗损失,并对生成器和判别器网络中的所有卷积核采用谱归一化操作。（4）分别在流派音乐数据集GTZAN和乐器音乐数据集415-CTI上对MMT-Star GAN进行了实验,并引入客观分类准确率以及主观内容相似度和吸引力指标对实验结果进行评价。实验结果表明,本模型相比基于原始Star GAN的模型,在相似流派之间的音乐转换结果获得了更高的客观分类准确率,以及更高的主观内容相似度和吸引力评分。同时,在多种乐器间的音乐转换结果表现出较高的客观分类准确率和主观评分。