指法是钢琴演奏中最基本最重要的技术之一，但目前大量乐谱上都缺失指法信息，这对专业演奏家及业余演奏爱好者来说，都是演奏时遇到的首要问题，因此钢琴等键盘类乐器的指法自动标注方法研究具有重要的理论和应用价值。
　　现有的一阶隐马尔可夫模型(Hidden Markov Model, HMM)若直接用于钢琴指法标注，因其不能结合音符序列的长程信息，将导致标注结果存在物理不可弹指法，演奏效率较低。因此本文中提出了一种基于判决隐马尔可夫模型和改进维特比算法的钢琴指法自动标注算法。
　　在训练阶段，结合指法规则的先验知识，在HMM的转移概率中引入了判决函数，从而能够去除错误的穿跨指和超出可弹跨度的指法；在预测指法路径时，改进了维特比算法的寻优规则，首先根据先验知识对音符序列进行八度分段，并改进初始指法的确定方法，最后选择穿跨指数最少、演奏效率最高的指法序列为最优指法。
　　由于目前缺少公开、权威的数据集，笔者搜集了Bach28首短篇钢琴乐谱，5首Cherny299和7首中国音乐学院社会艺术水平考级1-3级中的乐谱，共40首乐谱作为实验数据集。为了充分表征算法的性能，在评价指标上，除了与人工标注指法序列进行比较的一致率外，文中还提出了不可弹指法占比率和欠合理率两种新的评价指标来衡量指法的可弹性和演奏效率。通过实验验证，文中算法相较于现有标注模型在一致率和两种新的指标上提升效果显著，一致率可以达到66.45%，错误指法占比降为0%，欠合理率由17.2%降低至1.84%。
　　另外，为了对比在小数据集下传统方法和深度学习方法的性能，还与Bi-LSTM-CRF进行了对比。训练时，分别采用了原始音符序列和音符差分序列，实验结果显示原始音符序列训练的模型一致率仅有55.06%，错误指法占比为15.92%，不可弹指法为16.3%，而音符差分序列训练的模型一致率可以达到67.9%，错误指法占比为3%，不可弹指法占比为5.02%，该结果表明利用音符差分序列可以有效提高标注结果的一致率。由此可见，相较于原始音符序列，指法标注和音符差分序列的关系更密切，从而进一步验证了本文算法结合音符差分信息改进HMM的有效性。但现有数据量下，深度学习模型在不可弹指法率和欠合理率上差于本文中提出的算法。