网络多媒体音频数量与日俱增,如何能够高效地检索出所需目标,现已成为音乐信息检索技术的一个关键性问题,歌曲匹配作为音乐信息检索的一个子任务,也越来越受到人们的重视,近年来,深度学习方法的兴起促进了人工智能的发展,也为音乐检索提供了一个新的思路。深度学习技术在语音信号处理等领域取得了一系列成功。本文借鉴深度学习在语音信号处理方面的研究成果,在音乐信息检索与深度学习理论相结合的基础之上针对如何更好的利用深度学习来研究更加适用于音乐信息检索这一问题的方法主要研究内容有:1.提取了 WAVE音乐库中标准的音高信息。在综合考虑算法精度与时间复杂度后本文采用了新的方法BP神经网络对音乐信号音符切分及清浊音区分,在此基础上使用倒谱分析进行基音周期的估计。2.建立了以音符为基础的HMM模型,进行了模型训练与识别,通过HMM算法实现了音乐信息的检索。3.在限制玻尔兹曼机的基础上介绍了卷积深度置信网络模型,并将卷积深度置信网络算法应用到音乐信息检索中。首先通过非监督贪婪逐层算法进行了预训练,然后,通过有监督的网络训练方法对网络参数进行了微调,通过调整网络参数提高了模型的识别能力。通过实验得出歌曲样本长度为3s条件下系统识别效果优势更加明显,并且模型层数CDBN2较CDBN1识别效果更佳。在旋律把握准确的情况下CDBN网络检索识别率比HMM检索识别率高出4%,证明了 CDBN在音乐检索中能取得更好的效果,表明深度学习在音乐检索领域有着巨大的研究价值。