音乐转写是将音乐音频信号转换为对应的曲谱或者mid序列。钢琴作为最主流的乐器,本文的研究主要针对最为复杂的复合钢琴音乐进行转写。随着相关音乐数据集的增多,基于深度学习的钢琴音乐转写的效果在主要的国际评测超出了基于信号建模(如建立显著度函数,信号分解)的方法,输入原始或者变换后的单帧信号,输出mid序列,本文称之为短时的端到端模型。本文的主要工作也包括两部分:结合音乐特性,基于已有的短时端到端模型进行改进,提出了更为高效的网络结构;其次提出了以和弦为建模单位的长时端到端框架。主要的创新点如下:1)提出了结合音乐特性的短时端到端建模的方法。针对短时端到端建模中缺少对音乐信号特性的考虑,首先分析了音符的频域成分的重要性,本文针对每一个音符训练一个二分类器。通过对输入特征和音符的统计分析,发现对音乐转写发挥主要作用的三个重要的特性:谐波特性、平移不变性和音符共现特性。并结合上述三大特性,在基于卷积网络(CNN)和循环神经网络(RNN)的短时端到端建模中提出更为合理的结构:由于音符的谐波结构离散的分布在频域,在时域上只是一种重复,同时因为音符的谐波结构具有局部平移不变性,共享的空洞一维卷积核更为适合沿着频域滑动提取特征;考虑到RNN难以搭的较深,提出基于双向的长短时记忆网络(BiLSTM)的残差网络对时域建模,在同等参数情况下,超过最好RNN模型10个百分点;通过分析共现音符的相关性和八度错误,提出了八度损失函数。最终相比于目前最好的短时端到端模型,在MAPS数据集上,本文的模型达到了 F1-meansure:0.80,超出了目前最佳模型结果3个百分点。2)研究了音乐的长时特性,提出了以和弦为建模单位的长时端到端建模方法。针对短时端到端建模以帧为建模单位,难以有效对乐理进行长时建模,提出以和弦为建模单位的长时端到端模型,其主要分为两大模块:和弦边界检测和和弦识别。和弦边界检测中,和弦边界定义为如果相邻两帧不一致则作为边界,对和弦边界之间的各帧进行标签加权缓解标签不均衡性;基于边界检测基础上,对单帧多基频检测结果进行下采样得到和弦序列,最后对和弦序列进行建模输出最终的和弦。最后译码时结合和弦识别结果和边界检测进行最终的译码得到mid序列。在MAPS数据集上,相比于短时端到端模型,F1指标可以提高1个百分点,同时最终转写结果更为紧凑连续。最终,本文对端到端音乐转写的模型分别对其短时和长时框架进行了研究,在公共数据集MAPS均达到了不同程度的提升。