随着人工智能技术在现代科学领域的飞速发展,国外研究人员开始将人工智能技术中的深度学习方法应用到音乐创作中来。而在国内的音乐创作中,尤其是中国民族音乐的自动作曲,由于民乐数据量小、音频格式转换困难、民乐特征难以还原等原因,仍鲜少有人涉足。民乐作为中国传统音乐的一张名牌,若使用人工智能技术,或将为其注入新的活力与生机。本文将古筝作为中国民族乐器的代表,使用长短期记忆的循环神经（Long Short-Term Memory,LSTM）网络和深度强化学习Deep Q-learning network（DQN）网络,建立古筝音乐自动作曲系统。首先,研究古筝音乐相关乐理知识,收集古筝音乐数据,将其转换为计算机可识别和处理的音乐格式（MIDI格式）。对于古筝音乐前处理环节,利用自相似矩阵处理,提取音乐副歌部分,提取准确率高达90%,该结果作为数据集来源之一进行LSTM网络训练,强调副歌旋律重要性。其次,对音乐的基本要素开展模型训练。古筝旋律部分的生成使用LSTM模型,使自动生成的旋律具有连贯性。古筝乐理、技法部分生成使用DQN模型,使最终的生成效果更具有古筝特点。根据建模结果显示模型准确率高达86%,损失低至0.03,强化学习模型平均收益为0.98。而后,在古筝音乐后处理环节中,将模型生成的MIDI音乐转换成古筝音色,通过频谱图显示,转换环节效果趋近真实的演奏效果。最后,对音符预测准确性、音符占比检测、古筝音乐特征生成对比、前后处理环节有效性这四个方面进行客观数据评估,得到音符生成准确率在70%以上、音符占比均匀、重复片段下降40%、技法增加30%的结果。同时,为体现自动作曲的大众适应性,邀请业余和专业乐评人对生成的古筝音乐与样本音乐进行主观评价,显示本文模型生成音乐分数最高。本文的古筝自动作曲系统由前处理环节,LSTM网络和DQN网络模型训练环节和后处理环节共同组成,首次完成古筝自动作曲的完整工作。其生成效果好,并结合了古筝特色,未来可以推广到全民乐自动作曲工作中,推动民乐艺术创作的发展。