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。目前在音乐符号识别上存在着一些难点:乐谱的结构非常复杂、音乐符号的尺寸极小、部分符号过于密集(和弦)等导致音乐符号的识别精度不高。随着人工智能技术迅猛发展,深度学习算法在OMR领域得到尝试并取得初步成果,为OMR的研究开辟了一条新的道路。本文以印刷体乐谱为研究对象,基于深度学习算法,对音乐符号的识别进行研究。具体研究内容如下:第一,针对目前OMR数据集标注信息不完整导致无法识别音符时值、音高的问题,研究生成包含音高、时值标签的数据集。首先通过解析MXL(Music XML)文件获得模型训练所需的乐谱图像和对应的标签数据;之后联结符杠、附点、符尾等信息获取音符时值标签,从音符位置信息中解析出音高标签;最后添加噪声、随机裁剪等数据增强方法来增加数据的多样性。第二,针对OMR识别过程复杂、识别精度不高的问题,研究基于YOLOv3的端到端印刷体乐谱识别模型。该模型以整张乐谱图像为输入,直接输出符号的时值、音高以及类别。该模型同时采用多任务学习,同时学习音高、时值的分类任务和音符坐标的回归任务,提升了模型的识别速度。通过乐谱图像测试集对本文模型进行验证。实验结果表明:音符识别精度高,可以达到0.96的时值准确率和0.98的音高准确率,目前高于其它乐谱识别模型的音符识别精度。第三,针对乐谱图像中复调(和弦)检测难度大的问题,研究了基于微调(Fine-Tuning)技术的复调乐谱图像识别。首先人工标注适量的乐谱图像作为复调识别的数据集;之后针对特定符号(连音线)添加额外的回归分支,从而提高连音线的识别精度;最后结合神经网络微调技术,对基于YOLOv3的端到端印刷体乐谱识别模型进行微调来提高复调乐谱识别精度。实验结果表明:在保持符号识别精度不变的情况下,极大提升了复调、连音线的识别精度。