伴奏制作是音乐工作中非常重要的元素之一,而和弦编配是伴奏制作的关键环节,通常需要较多的音乐天赋和深厚的乐理知识才能胜任。目前该工作大多交由人工来完成,单调枯燥且门槛较高。本文通过机器学习模型,代替人工编配伴奏和弦,提供一种自动化的计算机手段来完成和辅助伴奏和弦的编配。本文通过以下三种子任务:改进的音高级轮廓(Pitch Class Profile,PCP)音乐特征提取、自动化和弦标签构建与模型的构建及训练,最终使整套系统拥有对主旋律进行伴奏和弦自动编配的能力。本文的主要工作内容如下:(1)本文设计了一种改进的音高级轮廓PCP音乐特征提取方法,解决了传统PCP特征提取时,较少考虑到音频中高频泛音干扰及多音色交织导致的特征冗余问题。该方法根据乐理中的十二平均律,设计了一种基于十二音阶基频的高斯滤波器组,在传统PCP特征基础上,调整十二音阶对应的中心频率值的权重进行频带过滤;同时引入对数压缩算法,调整十二音律频率值的折叠系数,压缩十二音阶能量的分布,降低特征变化范围。该方法结合音乐理论知识,有效改善了提取的特征效果。(2)自动化和弦标签构建方法研究,以往的模型标签大多基于人工方式进行标注,耗费大量时间成本以及人工成本。本文利用MIDI数据格式的特点,基于节拍将伴奏分割若干小节,提出一种基于音程差的和声分析方法,并利用预先构建的二进制和弦模板,提取每个小节的和声序列,进而构建整个音轨的和弦标签,实现自动化和弦标签的构建。该方法避免了使用通用的和弦标签数据集,使训练得到的模型拥有更好的性能。(3)基于隐马尔可夫模型的和弦编配系统设计,本文根据和弦种类构建了 25个隐马尔可夫模型,其中输入的特征为本文提出的改进的主旋律PCP特征,输入的标签为本文提出的自动化方法构建得到的标签数据集。训练完成后,输入待预测改进的主旋律PCP特征,生成最终编配的伴奏和弦。对比传统的PCP特征以及模板匹配模型,本文设计的系统预测生成的和弦比起传统的方法生成的和弦提升了7%左右的编配正确率。