随着数字音乐时代的到来,数字音乐资源呈现爆发式增长。音乐分类是管理海量音乐资源的基础。音乐流派是描述音乐的重要标签。音乐标签对数字音乐资源起到很好的标识和划分作用。面对庞大的音乐数据库,依赖人工标注进行分类将耗费大量的成本和时间,已不能满足时代的需求。因此,音乐自动化分类逐渐成为研究热点。MIDI(Musical Instrument Digital Interface)是一种重要的数字音乐格式,在音乐创作和教育中广泛使用。MIDI音乐流派分类任务,包括两个重要步骤:特征提取和分类器设计。本文根据MIDI音乐流派分类任务,针对特征提取和分类器设计进行改进,提出基于深度学习的音乐分类方法。本文主要研究工作和创新点如下:(1)针对传统分类方法中对MIDI音乐提取全局特征难以描述音乐的时序特性,本文在特征提取的过程中,将MIDI音乐划分成多个局部弹奏风格相近的乐段,以乐段为分析单元,提取乐段特征,组成乐段特征序列,以更好地描述音乐。具体过程包括提取音符特征矩阵,基于音符特征矩阵提取主旋律和乐段划分,基于乐段主旋律研究并提取有效特征,组成特征序列。(2)针对传统分类方法中分类器由于浅层结构的限制难以学习音乐的时序和语义信息,本文提出一种基于深度学习的MIDI音乐分类方法。根据输入MIDI乐段特征序列,对循环神经网络和注意力机制进行研究,首次使用Bi-GRU(Bi-directional Gated Recurrent Unit)和注意力机制设计MIDI分类网络模型。Bi-GRU擅长处理序列数据,能从乐段特征序列学习音乐的上下文语义和深层特征,加入注意力机制对Bi-GRU从不同的乐段学习的特征自动赋予不同的注意力权重,学习出更显著的音乐特征,从而提高分类的准确率。(3)从互联网上收集1920首具有流派标签的MIDI文件构建数据集,进行音乐分类相关实验。实验中,使用本文提出的音乐分类方法取得90.1%分类准确率,优于传统基于BP神经网络的分类方法,并结合等长划分乐段的分类实验准确率,验证了本文使用的乐段划分方法对音乐分类的有效性。