光学乐谱识别（Optical Music Recognition,OMR）是实现乐谱图像数字化的重要途径,在计算机音乐、数字音乐图书馆、计算机辅助音乐教学等领域有着广泛的应用前景。音乐符号的识别是光学乐谱识别的重要研究内容。乐谱的结构复杂,音乐符号的尺寸较小,部分符号排列过于密集等特点导致了音乐符号的识别精度不高。随着人工智能技术的飞速发展,深度学习在OMR领域得到了广泛关注并取得了初步成果,为OMR的研究提供了一条新的途径。对此,本文以印刷体乐谱为研究对象,利用深度学习技术,对乐谱音乐符号识别方法进行研究。具体研究内容如下:第一,数据集预处理。由于Deep Scores数据集中的音符缺少时值标签,本文为了直接预测出音符时值,采取了人工标注数据的方式为乐谱中每个音符添加时值,在训练音乐符号检测模型时,可将音符时值作为训练标签;其次在原始乐谱中添加噪声、模糊处理、弹性形变以及色彩变换等数据增强手段,以扩充数据集。第二,基于端到端的音乐符号识别研究。研究了基于Center Net的音乐符号识别模型,该模型直接输入整张乐谱图像,采用多任务学习机制,同时训练音乐符号、音符时值的分类任务和音乐符号坐标的回归任务。为了提升不同尺寸符号的均值精度（AP）,在原始模型的基础上融入了多尺度预测技术,即在三个不同尺度的特征图上进行独立的训练与预测,再经非极大值抑制（NMS）算法处理后得到最终预测结果。实验结果表明:常规音乐符号识别精度高,时值准确率可达97%。第三,基于谱线删除的音乐符号识别研究。首先研究了基于语义分割模型UNet的谱线删除模型,该模型采用Inceptionv3中多尺度结构来获取图像丰富的语义信息,并将扩张卷积代替池化层以防止图像细节信息的丢失,之后引入了Dropout层防止过拟合现象,同时也可减少训练时间;在音乐符号识别阶段,将谱线删除后的乐谱作为数据集来训练音乐符号识别模型,并与端到端的方法进行比较。实验结果表明:对于版面复杂的多声部乐谱,删除谱线有利于提升密集符号（和弦）以及小目标符号（休止符）的精度。