光学乐谱识别作为乐谱内容符号化的关键技术，有助于音乐文件的存储与编辑，在音乐信息检索和计算机辅助教学等领域还有着重要应用价值。基于通用框架的光学乐谱识别算法存在处理步骤较复杂、精度较低等问题，而基于深度学习的算法虽有效地简化了通用框架，但其识别精度有待进一步提升，对于难点音符的识别误差较大，模型训练耗时久。为此本文提出一种改进的卷积循环神经网络光学乐谱识别方法。
　　本文中提出的光学乐谱识别算法主要通过四部分实现：首先，对数据集中部分谱例进行图像增强以扩充乐谱图像数据，提高训练模型的鲁棒性；随后，采用残差式卷积神经网络提取乐谱图像中的音符特征，解决模型退化问题；接着，利用多尺度特征融合，将不同层次的特征信息融合在同一特征图中，以增强模型的特征表示能力，提升后续识别精度；最后，采用双向简单循环单元与链式时序分类函数构成的网络识别音符，将大量计算并行化，从而加快训练的收敛速度，这也使得数据集中数据不再需要与标签严格对齐，也降低了对数据集的要求。
　　通过四组实验对算法的有效性进行了验证，具体包括：数据增强前后模型的鲁棒性、残差式卷积神经网络的特征提取能力、多尺度融合效果以及简单循环单元对模型收敛速度的作用。实验结果表明，改进后网络模型的平均符号错误率下降至0.3234%，模型训练时间约为传统卷积循环神经网络的三分之一，在识别精度与训练耗时方面均有所优化。此外，还对比了文中所提算法、现有文献中提及算法和三种光学乐谱识别商用软件的性能。实验结果显示，文中所提算法在识别精准度以及训练耗时两项评价指标上均优于现有文献中的算法。与商用软件相比，文中所提方法的鲁棒性更强，且对于音符符梁、休止符等音符的识别效果更优。