光学乐谱识别是从乐谱图片中解析音乐语义内容以实现计算机识谱的一种技术,在音乐信息检索、音乐分析、音乐搜索引擎等领域有重要应用价值。然而,至今对低质量乐谱的识别仍是光学乐谱识别领域的一大难点。基于通用框架的算法步骤繁杂、子任务较多,而基于深度学习的算法通过端对端的方式有效简化了通用框架,但仍存在网络模型训练耗时长,对低质量乐谱识别准确率不高的问题。针对深度学习,本文提出一种带注意机制并简化循环单元的低质量乐谱识别算法C-SE-Bi SRU。为增强网络对音符信息的特征提取能力,提升模型识别准确率,本文中提出了一种卷积神经网络与挤压激励模块相结合的特征提取网络。该网络在卷积运算后引入挤压激励模块形成特征通道高度注意机制,通过挤压激励处理,抑制低质量乐谱中谱线、非音符墨迹、噪声等干扰信息的传递。针对网络模型训练耗时长的问题,本文中提出了一种双向简单循环单元与链式时序分类损失函数相结合的音符识别与分类网络。通过并行化计算加快模型收敛速度,缩短训练时长。此外,该网络无需音符与标签严格对齐,简化了数据处理复杂度。通过实验验证本文中所提算法性能,首先,验证各改进部分的有效性;其次,将本文中所提算法在CAMERA-PRIMUS数据集上与基准网络、同类型乐谱识别网络做对比,本文中所提算法Agnostic编码格式下的符号错误率低至1.78%,模型训练时长较传统卷积循环神经网络缩短50%;然后,对本文算法所用的Agnostic和Semantic两种编码格式对神经网络性能的影响进行了分析和讨论;接着,将本文中所提算法识别出的典型低质量谱例进行可视化,并与商用乐谱识别软件做对比分析,本文中所提算法对低质量乐谱的识别效果更优;最后,做音符识别错误分析,为后续模型可能的改进工作提供方向。