音乐生成是指利用计算机在最小人工干预的情况下,通过一定的算法或流程来进行音乐创作,是人工智能领域中的一个重要研究方向。基于深度学习的音乐生成采用端到端的学习,减少了人工干预,成为音乐生成研究的主流模型。模型采用卷积来提取音符序列在时间维度上的特征,为了获取长时间尺度特征,需要经过多层卷积池化,从而易导致局部特征在池化过程中被丢失。另一方面,在音乐生成过程中,通过将生成的音乐作为输入循环生成音乐易导致误差不断累积,使长时间音乐生成效果不佳。基于此,本文通过结合卷积神经网络与生成对抗网络,针对音乐生成问题开展研究,主要研究内容和创新点如下:（1）结合WGAN和空洞卷积神经网络给出了一个端到端的音乐生成模型MIDIGAN。该模型以符号音乐为数据源,引入了空洞卷积,通过多层空洞卷积来获取长时间特征,采用锯齿状扩张率的空洞卷积以及卷积层的残差连接来获取音乐的局部特征,使MIDI-GAN能够捕获多尺度的旋律特征。本文给出了模型框架,并通过音乐生成实验验证该模型相对RNN网络或GAN网络,能够以更快的速度在训练过程中收敛,且生成的音乐样本具备一定的悦耳性和流畅度。（2）针对音乐生成模型在循环迭代生成过程中易导致误差不断累积,使长时间音乐生成效果不佳的问题,提出了LM-VGAN模型。LM-VGAN引入一种长时记忆结构,通过输入更长时间步的序列并赋予其不同的权重使模型编码更多音符信息。采用长时记忆结构虽然增强了模型编码信息的丰富性,但增加了输入数据的复杂度,因此引入一种门控特征选择网络,通过卷积为模型的编解码网络构建一种可学习的特征选择机制,筛选出音乐信息中更为重要的特征。同时引入特征一致性损失提高生成质量,并对鉴别器所有卷积核进行谱归一化操作稳定模型的训练。（3）在符号音乐数据集Nottingham上对LM-VGAN进行了实验,并引入一系列客观评价指标和主观评测指标对模型的生成效果进行评价。实验结果表明,LMVGAN能够更准确地重构音乐,且在不同迭代次数的音乐生成任务上均取得了一定的优势。此外,在与目前主流音乐生成模型进行的对比实验中,LMV-GAN在音阶一致性、独特性、重复性和音调跨度等客观评价指标上更胜一筹;并且通过音乐专业人员打分进行了主观评测实验,LMV-GAN获得了更高的主观评分。