工尺谱作为一种中国古代乐谱，常用于昆剧等中国传统音乐。工尺谱拥有完整的音调、音高标记，但是节奏标记不完备，一个节拍内音符的时值划分不明确。因此，工尺谱一般都以“口传心授”的方式进行传承。然而，精通工尺谱的专家愈来愈少，为了便于工尺谱的传唱，当前部分工尺谱专家致力于将工尺谱翻译成五线谱。　　通过对工尺谱元素的研究，我们发现虽然工尺谱本身对节奏的标记不够健全，但是在民间演奏时每个音符的时值是由乐谱内在特征所决定的，并不任由演奏者主观发挥。因此本文尝试从工尺谱中提取潜在的数据特征，并利用统计机器学习的方法，主要是分类模型，对工尺谱的节奏模式进行分析与挖掘。　　在本文中，我们以节拍为标注单位，将节拍的每一种时值划分视为一种类别标签，由此工尺谱翻译问题转化为根据上下文为每个节拍选择特定标签(或者标签所代表的时值划分)的问题。我们尝试了多种常用的统计机器学习算法，包括朴素贝叶斯、最大熵以及最近邻。实验证明采用基于统计机器学习的方法可以获得较好的标注效果。更重要的是，结合工尺谱特有的音乐特征，我们定义了一种称为“共现概率”的度量方法来衡量工尺谱特征之间的相似度，并在此基础上实现了一种基于局部一致性策略的bootstrapping算法，进一步显著提高节奏标注准确率。　　最后，我们对分类模型进行了多组对比实验，实验结果表明：　　·“共现概率”度量方法相比其他方法可以更好地衡量节拍之间的距离；　　·基于局部一致性策略的bootstrapping算法对工尺谱节奏标注的准确率最高；　　·在训练数据规模小的情况下，我们的方法仍然可以获得比较高的标注效果。　　作为一次采用统计机器学习方法解决工尺谱节奏标记的尝试，我们的工作对保护中国传统文化遗产起到了积极的作用。