计算机科学融合音乐学并推动音乐学自动化智能化发展催生了两个大的研究方向:音乐信息检索和音乐生成。其中,音乐检测是音乐信息检索领域的一项关键任务,它聚焦于研究如何从音频中检测出音乐事件及发生的位置;音乐生成是人工智能在艺术创作方面的一项探索,它关注于研究能让计算机自动进行音乐创作的算法。随着数字音乐数量的与日俱增,神经网络方法善于学习海量数据以及具备强大建模能力的特点使其成为近年来音乐检测和音乐生成的主流方法。主流的音乐检测神经网络方法通常先将问题转换为类似图像分类或序列标注的方式然后采用卷积神经网络或循环神经网络等模型来求解,然而现有的神经网络方法在解决音乐检测任务时忽略了音乐相对响度估计子任务并且忽略了音乐数据内在时序性。主流的音乐生成神经网络方法通常先将音乐表示成类图像或类语言的数据形式然后采用变分自编码器或Transformer等模型来建模,然而现有的音乐生成神经网络方法尚未很好地解决钢琴卷表示的音乐数据带来的离散不可微问题和可控音乐生成任务中的控制域和生成乐器种类仍然有限等问题。本文针对以上问题展开研究,取得的创新研究成果和主要贡献包括:（1）提出了针对音乐检测与音乐相对响度估计联合任务的层级约束迭代神经网络方法,解决了联合任务中对时序性和层级性建模的缺失问题,显著提高了音乐检测与音乐相对响度估计在分段级和事件级评估上的性能表现。现有的音乐检测工作中往往忽略了音乐相对响度估计这一子任务,因而本文重点研究音乐检测和音乐相对响度估计联合任务。然而现有的解决联合任务的神经网络方法忽略了对时序关系和层级关系进行建模。本文将联合任务重新定义和构造为层级事件检测与定位问题,并提出层级约束迭代网络用以解决该问题。通过在公开数据集OpenBMAT上进行多种实验,本文证明了所提出的层级约束迭代网络在分段级和事件级评价指标上均能够表现出较优的性能。（2）提出了基于二元正则化耦合隐变量模型的神经网络方法,解决了流行音乐音轨内和音轨间的分布建模问题,此外也解决了使用钢琴卷表示的符号音乐数据带来的离散不可微问题,在定量评价和人工评价上都取得较优的性能。流行音乐是当今热度最高受众最广的音乐类型,因而研究针对流行音乐的生成具有一定的应用价值。然而流行音乐通常包含多个音轨,这使得流行音乐的生成具有一定的挑战性。此外,在使用神经网络方法处理音乐数据之前,一种通用的做法是将音乐表示成类图像数据的形式。区别于连续的图像数据,使用类图像表示方式（即钢琴卷表示）的音乐数据是离散的且是二值化的,这会导致出现不可微分的问题。本文提出一种新的神经网络方法,即带二元正则化的耦合隐变量模型,用以解决上述问题。针对流行音乐的即兴伴奏生成任务,通过在Lakh钢琴卷数据集上进行实验,本文验证了该模型与一些现有模型相比在定量评价和人工评价上表现出较优的性能。（3）提出了基于Transformer的可控多乐器音乐生成神经网络方法,拓展了控制域的种类和范围,同时解决了现有工作不能生成任意数量的乐器种类的问题,在定量评价、可视化评价和人工评价方面均表现出较优的性能。现有的音乐生成研究只能控制生成样本具有固定的某个特征或类型,如和弦或风格。此外这些研究方法所能够建模的乐器种类也较为有限。为解决这两个问题,本文提出一个针对多乐器复调音乐的可控音乐生成神经网络模型。通过在所收集的MIDICN数据集上进行多组实验,本文验证了所提出模型的有效性,实验结果表明该模型在负对数似然值、困惑度、音乐性衡量、域相似度分析和人工评价这几个方面都取得了较好的表现。