如今,随着人工智能的兴起,计算机音乐发展迅猛。音乐有作曲和演奏两个重要方面,不同流派的音乐,传达出不同的风格,演奏者在演奏时为其注入不同的节奏和力度,从而产生丰富的表现力。图像风格转换的发展,开启了人们对音乐风格转换的探索,音乐风格转换研究可以启发音乐创作者的灵感和辅助音乐生成,是人工智能众多领域中的一个重要问题。MIDI(Musical Instrument Digital Interface)用于记录音乐的演奏信息,本文研究音乐的演奏风格转换,以音符力度为演奏风格的主要特征,利用深度学习对不同风格MIDI音乐中的力度变化进行预测,为同一首乐曲自动配置不同演奏风格的力度,让计算机也能实现接近音乐家的音乐表演。本文的主要工作与创新点包括:(1)提出一种基于音符矩阵和力度矩阵的MIDI音乐内容和音乐演奏风格量化表征方法,克服了钢琴卷帘表示方法无法区分单个长音和相同音高的多个连续音的问题,更加全面地描述音乐信息,基于自动编码器从音符矩阵中提取音乐隐式风格,更好地消除音乐内容对音乐演奏风格的潜在影响。(2)提出一种基于循环神经网络和卷积神经网络的演奏风格转换网络,使用基于GRU(Gated Recurrent Unit)的双向循环神经网络进行不同风格音符特征向量序列的提取,使用一维卷积神经网络对提取的音符特征向量序列进行特定风格的力度预测,更好地学习了不同风格MIDI音乐的力度变化。(3)设计演奏风格转换实验,提出一种主客观评价方法。在客观评价中,提出基于力度分类器的风格转换强度评估方法;主观评价采用线上试听评估的方式,邀请音乐爱好者进行试听,判断转换后的MIDI音乐是由人类演奏还是机器演奏。200歌次的测试结果表明,只有46%的人可以正确识别出机器演奏。