音乐是一种有着悠久历史的艺术,也是人们日常生活中经常接触到的媒体形式。近年来,随着深度学习技术的飞速发展,传统的信号处理技术研究也迎来了新的方向与挑战。本文主要立足音乐信号处理领域,研究目标为应用深度学习技术实现对音乐信号处理任务的改进与创新,具体包括基于视频信息的单声道音乐立体化重建任务以及对音乐信号的自动转录任务。基于视频信息的单声道音乐立体化重建任务的关键是如何有效地对视觉空间信息进行提取并融合至音频信号中,从而赋予单声道信号以空间立体感。通过对相关研究调研发现,已有的研究工作提出的音视频特征融合算法相对简单,会向音频信号中引入过多的噪声,导致生成的立体声质量不佳。针对这一不足,本文设计了基于自注意力机制的视听特征融合算法,实现了对重要视觉特征的重点保留以及对无关信息的过滤,在将重要视觉空间信息注入至音频信号时尽可能少地引入噪声,从而保证生成高质量的立体声信号。另外,受音源分离相关研究的启发,设计了一种迭代网络结构对生成的立体声质量进一步优化。与以往研究的实验结果进行对比,表明本文算法能够取得目前最先进的效果。对于自动音乐转录任务,调研发现目前的工作一般是将立体声数据处理为单声道音乐进行转录,未能充分利用立体声信息,限制了转录模型的准确度。为了实现对立体声音乐转录,设计了一个立体声特征增强模块,对立体声两个声道之间的关联与差异信息进行了充分提取,提升了模型转录的性能以及鲁棒性。另外设计了一个时序卷积模块用于对音乐时间结构特征进行建模,同时保证了模型的运行性能与转录效果。在相关数据集上的实验证明了本论文中的相关算法具有理想的效果。最后,根据对本工作的研究总结和思考,对未来的研究与创新方向提出了建议。