随着信息技术的高速发展,数字音乐成为音乐传播的主要载体。音乐自动转录是将数字音乐信号转化为一系列音乐标记的过程,是音乐信息检索的关键技术之一。论文针对复调音乐自动转录问题,研究基于深度学习的多乐器自动转录,并在此基础上研究基于深度学习的音乐降噪技术。本文使用钢琴、小提琴、大提琴等十一种乐器作为研究对象。在音乐自动转录研究中使用端到端深度学习方法,自动提取特征,并分别使用基于空洞卷积和高分辨率表示的网络模型完成多乐器自动转录。在音乐降噪研究中使用三种常用的频域特征提取方法与端到端深度学习模型对比,并使用分辨率融合的方法提取更抽象的特征以研究两种音乐降噪模型的效果。论文主要工作包括:（1）在音乐自动转录中,为了扩大模型的感受野,研究中使用包含空洞卷积的WaveNet模型完成转录实验;为了更好的辨识不同时值的音符和中低频音乐中的细粒度信息,研究中使用基于高分辨率表示的HRNet模型进行音乐自动转录。通过对精确率、召回率、F-measure和平均精确率等评价指标的分析,WaveNet模型可以较好的完成单乐器转录,但在多乐器转录中效果较差;HRNet模型能够进一步提升单乐器转录效果,在多乐器转录中也有较好的效果。（2）在音乐降噪中,借鉴图像语义分割和音源分离的方法,通过使用常数Q变换、短时傅里叶变换、梅尔频率倒谱系数三种频域特征提取方法和端到端深度学习的方法训练级联不同分辨率特征网络的U-Net模型进行音乐降噪研究。为了更好的提取不同分辨率特征信息,研究中训练端到端HRNet模型作为对比。通过对输出音频信号失真比的分析,常数Q变换和梅尔频率倒谱系数更适合作为音乐降噪的频域特征提取方法,HRNet中将不同分辨率特征融合的方法好于U-Net中级联不同分辨率神经网络的方法。