随着科学技术的蓬勃发展,信号处理技术也发展到能够解决更加复杂任务的水平。将抽象的音乐音频自动转换为具体的音乐符号是人工智能的一个重要应用,转换过程涉及感知、认知、表示和推理等环节,称为自动音乐转录（Automatic Music Transcription,AMT）。AMT通过一定的算法,将音乐的声音信号转变为记录音乐的某种形式的符号,在信号处理和人工智能领域中是一项具有挑战性的任务。本文对钢琴音乐的自动转录进行了研究,任务是检测音符起始点、截止点和音符音高,即从音乐中提取音符事件信息。根据钢琴音频的复音特性,提出了一个基于卷积神经网络（CNN）和隐马尔可夫模型（HMM）的音符级别自动转录算法,主要工作包括:（1）对常用的声学特征进行对比分析。分别选取对数频率尺度频谱图和梅尔频率尺度频谱图,通过改变频谱图的频点数目、输入帧长和幅度的表征形式,作为帧级别转录模型的输入。帧级别转录模型仅包含两个隐藏层,卷积层用来学习特征表示,全连接层用来分类,网络架构尽可能保持最小,以便放大输入的声学特征对帧级别转录的性能影响。（2）选择多任务学习中的硬共享模式,构建基于CNN模型的声学编码器。从音符级别转录的结果来看,可以将其视为多任务学习问题,同时,与音符音高相比,音符起始点和截止点的标签过于稀疏,使用多任务学习可以有效解决稀疏标签难以预测的问题。考虑到音符信号在频谱图中的时间方向和频率方向上的关联性,交叉使用矩形卷积、宽卷积和窄卷积,可显著提高CNN模型对音符的时间特征和频率特征学习的能力。（3）通过观察对比钢琴音符的包络曲线,构建合理的瞬态、衰减和释放模型来描述钢琴音符随时间的演变过程。以音符的不同演变阶段作为HMM的隐状态,采用CNN模型输出的特征映射作为隐状态的发射概率,手动调整状态转移概率矩阵,使用Viterbi算法计算概率最大的音符状态序列,最终实现完整音符的转录。