光学乐谱识别主要研究如何将乐谱图像形式到计算机可识别语义符号。其中谱线删除是重要模块之一,谱线删除算法的优劣直接影响光学乐谱识别系统的最终结果。特别是手写乐谱图像,由于手写音符形式复杂多变,同时叠加各种变形和噪声,使谱线识别和删除尤为困难。因此,研究手写乐谱图像中的谱线删除具有重要的理论意义和实用价值。为了提高谱线删除算法的鲁棒性,本文提出一种基于多尺度多方向局部二值模式和XGBoost的手写乐谱谱线识别和删除方法。首先,根据乐谱图像特点设计改进的局部二值模式算子。其次,对乐谱图像进行多尺度局部二值模式特征提取,组成高维特征向量。最后,利用训练好的XGBoost模型识别谱线位置,进而删除谱线。实验结果表明,在全部测试数据上F-measure为97.19%,说明具有很高的准确率和召回率,在3个不同测试子集上F-measure分别为96.43%、98.36%和96.79%,说明具有很好的鲁棒性。相比已有的轻量谱线删除算法,本文提出的方法在F-measure上有一定的提升。为了直接利用乐谱灰度图像,本文提出一种结合U-net和Res Net的手写乐谱谱线删除算法。首先,构建合适的网络结构,将U-net的桥接改进为Res Net的跳跃连接。然后,将原始的图像数据进行数据增强,得到更多的训练数据。最后,将训练图像进行切割,训练构建好的深度学习网络模型。实验结果表明,在二值乐谱图像上F-measure为98.88%,在灰度乐谱图像上F-measure为99.09%,相比已有的非深度学习方法,本文方法有较大的性能提升,和其它深度学习模型相比,也有更好的删除效果。