通常不同作曲者创作的不同风格的音乐在符号域(非音频)的音乐信息(如音高,节奏等)特点上会有明显差异。目前,在不同风格的符号域人类作曲或人工智能(Artificial Intelligence,AI)作曲相似度客观量化评价的研究领域中,对和弦搭配旋律方式的相似度量化研究在区分不同风格音乐的任务中的效果还有提升空间。同时,目前缺乏量化评价不同创作者(包括AI)创作的不同风格音乐的旋律音高与节奏之间的依赖方式差异的方法,以及量化评价不同风格音乐的和弦-音高-节奏的多层依赖关系差异的方法。此外,目前还缺乏对人类作曲进行风格细分后的不同风格人类作曲与相应AI作曲的相似度量化研究。为解决以上问题,本课题基于隐马尔科夫模型以及多层隐马尔科夫模型,提出了多种客观音乐描述方法与音乐相似度量化评价方法,对特定不同风格人类作曲与相应AI作曲之间以及不同人类创作的不同风格音乐之间的关于和弦、音高、节奏三者的多种依赖关系的差异进行了量化评价研究;本课题结合音乐的时序动态特征和静态特征提出多种音乐相似度量化评价方法,进行了多角度的不同风格音乐的相似度量化评价与区分实验。本研究通过实验验证了以下结论:1)对人类作曲进行风格细分后,特定的不同风格的人类作曲与相应的AI作曲的和弦与旋律音高依赖方式存在明显的可量化差异,同风格音乐间的和弦与旋律音高依赖方式差异明显小于不同风格音乐间的差异。本研究提出的客观音乐描述方法和相应的音乐相似度量化评价方法可以显著呈现这种差异。此外,本课题提出的结合单步时序的和弦进行(时序动态特征)以及和弦与旋律音高依赖关系(静态特征)的和声整体进行的相似度量化评价方法对特定的不同风格音乐的区分效果比之前的相关研究中只涉及静态特征的和弦旋律搭配方式的相似度量化评价方法更好。2)特定的不同风格音乐中,旋律的音高与节奏之间的依赖方式存在明显的可量化表示的差异,同风格音乐间的旋律的音高与节奏之间的依赖方式差异小于不同风格音乐间的差异。本研究提出的客观音乐描述方法和相应的音乐相似度量化评价方法可以显著呈现这种差异。此外,本课题结合单步时序的旋律音高进行以及旋律音高与节奏之间的依赖方式提出的旋律整体进行相似度量化评价方法能够以显著的效果呈现特定的不同风格音乐旋律整体进行的差异(同风格音乐间的旋律整体进行差异明显小于不同风格音乐间的相应差异),同时能够以较高的正确率区分特定的不同风格的音乐。3)特定的不同风格音乐中,和弦-音高-节奏的多层依赖关系存在明显的可量化表示的差异,同风格音乐间的和弦-音高-节奏的多层依赖关系差异明显小于不同风格音乐间的差异。本研究提出的客观音乐描述方法和相应的音乐相似度量化评价方法可以显著呈现这种差异。此外,本课题结合单步时序的和声进行以及和弦-音高-节奏的多层依赖关系提出的音乐整体相似度量化评价方法能够以显著的效果呈现特定的不同风格音乐的整体差异(同风格音乐的整体差异明显小于不同风格音乐的整体差异),同时能够以很高的正确率区分不同风格的音乐。最后,综合本课题的研究内容得出结论:特定的不同风格音乐的和弦、音高、节奏之间的多种依赖关系存在可量化表示的明显差异,同风格音乐间的差异均小于不同风格音乐间相应的差异。本文提出的客观音乐描述与相似度量化方法可以显著呈现音乐不同方面的差异,并且能够以较高的正确率区分特定的人类或AI创作的不同风格音乐。本课题完善了符号域音乐的相似度客观评价研究,使之与音乐理论的联系更紧密,进而使本课题的研究成果客观上的可靠程度更高。本课题研究成果能够用于AI作曲评估,尤其是对人类作曲进行风格细分后的不同风格AI作曲评估,从而避免通过人类听觉测试进行AI作曲与人类作曲的相似度评价时,听众的音乐教育背景、个人喜好等因素降低听觉测试结果客观性的问题。此外,本研究在数据处理成本较低的情况下达到了很好的音乐风格区分效果,因此本课题的研究成果在基于音乐大数据的音乐风格分类领域也具有潜在应用价值。