音乐是一门历史悠久的听觉艺术,它滋养着文化产业的各个角落,是其他文化产业的重要支撑。音乐创作是一个费时费力的过程,需要专业的乐理知识和相关的音乐技能。随着深度学习技术的发展,深度神经网络也被应用到了音乐生成中,以往单纯基于乐理规则生成的音乐显得过于刻板,缺乏多样性,基于深度学习的音乐生成模型,能够学习到样本中音符间的相互关系,其生成的音乐形式更加丰富。但目前基于深度学习的音乐生成模型大都没有考虑乐理规则,或者只是考虑了一些和弦进行等比较简单的乐理元素,容易生成不谐和的和声和旋律进行。此外,以往模型大都将音符和节奏作为关联因素同时进行处理,但实际生活中,一首歌曲可以改编为多种节奏,所以节奏和音符是没有强相关性的。同时,以往的模型大多只支持单音旋律的生成,支持复音旋律生成的模型较少。另外,以往的工作在生成多音轨音乐时候,较少考虑多条音轨之间的和谐性。强化学习是一种通过试错进行学习的方法,主要通过与环境交互获得的奖励来指导智能体的行为。基于深度强化学习的音乐生成算法既能通过深度神经网络从样本中学习到相关的音乐知识,又可以通过基于乐理规则的价值回报,使模型生成的音乐遵循一定的乐理规则。由此,本文基于深度强化学习,对音乐生成相关问题进行了研究,主要研究内容有以下几个方面:1.针对流行音乐中节奏和旋律的生成问题,本文分别建立了节奏生成网络和旋律生成网络用于节奏和旋律的生成。为了支持复音旋律的生成,本文引入了多标签分类技术使旋律生成模型能够在同一时刻生成多个音符。针对音乐数据集问题,本文设计了数据处理模块从收集的音乐数据中分离出音符与节奏数据,分别用于对节奏生成和旋律生成两个网络进行训练。2.针对多音轨音乐的生成问题,本文基于强化学习中的AC算法,通过建立多个智能体的方式实现多音轨的生成。为了使多音轨间相对和谐,本文通过构建一个全局的价值回报网络来建立多个智能体之间的联系,通过全局的价值回报来实现音轨间的和谐性约束。3.通过实验验证本文提出的单音轨音乐生成模型ACMGM和多音轨音乐生成模型MACMGM的有效性。