面对网络中海量数字乐谱资源,无论是业余音乐爱好者还是专业学习者都难以有效找到适合自己难度等级的乐谱,容易迷失在海量乐谱库中。在当前的音乐识别领域,已有不少研究聚焦于音乐种类识别,音乐情感分类等,但对于乐谱难度等级识别的研究较少。为解决人工难以分配海量乐谱难度等级标签,现有乐谱难度分类方式对人的主观依赖性高以及现有的乐谱难度等级识别算法效果难以满足应用需求等问题,本文提出一种改进的自动钢琴乐谱难度等级识别算法。首先为找到更多难度相关特征以扩展特征空间,在咨询多位专业钢琴教学者以及分析音乐网站提供的难度分类准则后,本文提出七个新的难度相关特征,并通过对比实验和Relief F权重算法验证新提特征的有效性。然后,利用测度学习理论,充分利用训练数据的先验知识,改进k最近邻(k nearest neighbors,KNN)分类算法,提出一种基于特征投影的KNN算法——P-KNN算法,实现乐谱难度等级识别。另外,本文后续进一步探究利用测度学习理论改进高斯径向基核函数,建立支持向量机(support vector machine)分类算法——ML-SVM算法在数字钢琴乐谱难度等级识别中的性能。仿真实验在两个有不同特性的乐谱数据集中进行,将本文提出的P-KNN算法和ML-SVM算法分别与其他常用的分类算法作对比实验,结果表明本文所提出算法的识别准确率优于现有算法,分别得到83.5%和84.67%的识别准确率,分类性能较KNN或SVM改进前均有较大提高。