音乐,这种人类最古老、最普及的艺术形式,是人们的文化与精神生活中不可或缺的一部分。随着现今互联网时代的到来,音乐已经成为一种以海量、无序、分散为特点的全新的网络音乐形式,这也使研究对海量的网络音乐(数据库)资源进行搜索与浏览的音乐信息检索技术成为了热点课题。与此同时,在音乐教学与创作领域,呼唤音乐理论的计算化、智能化应用来辅助原始的教学与创作方式的需求也日益增加,从而使基于乐理的音乐智能计算技术的研究具有急迫性。而上述两种技术的一个共同关键的核心研究问题是:如何智能地分析并获取音频音乐内容的各种要素(构成音乐结构的基本音乐要素与构成音乐表现形式的形式音乐要素)。于是,针对目前音乐音频处理的研究状况与实用需求,本文认为,音乐要素分析技术是本领域的研究关键,并在此基础上提出了一个全新的音乐处理体系框架——音乐计算体系,其核心目标是研究智能地、自动地识别音乐的各种要素信息,并将这些信息应用于构建音乐内容的分析、检索与转译的智能方法。为了达成上述核心研究目标,本文主张将音乐理论与计算方法的紧密结合,提倡综合运用音乐理论、认知心理学、音乐认知学、神经科学、人工智能、信号处理等理论来解决音乐信号的分析识别问题。本文的关键研究内容具体包括如下几个方面:1)提出了音乐计算体系框架,并从理论、方法、任务、应用这四个层次对其进行了详细的阐述。在理论层,本文提出了一种音乐内涵的分析方法,将音乐内涵划分为声响属性、理性认知属性、非理性认知属性三个维度,并从这一结构出发解释音乐计算体系的理论基础;在方法层,本文进一步将研究方法所涉及到的音乐要素划分为三层次,并联合音乐内涵分析法,将音乐计算所涉及到的研究方法归为八类,同时指出了本文重点研究的方法;而在任务层,本文延续使用音乐要素的分类方法,将研究任务进行分类,并重点阐述了各个研究任务之间的联系;最后,在应用层,本文明确提出了音乐计算体系框架期望的两大应用方向,并阐述了在这两方向上所涉及的关键技术。2)针对音乐信号所需的独特的信号处理技术,本文深入研究常数Q变换等具有音乐特性表达能力的技术,提出了一种音高校正技术,利用统计方法对音乐频谱特征进行判断来修正由物理条件造成的演奏音高偏移现象。同时,本文提出了一种具有独特的时间延迟、集成及帧间集成机制、可以有效处理时序模式识别问题的时间集成人工神经网络,来处理音乐要素识别中所提取的乐音特征序列;并针对时间集成网的特点设计了熵误差函数训练算法,增强了网络训练的效率、收敛及泛化能力。3)在音乐调性核心要素的分析方法研究上,本文基于人类对音乐认知的分布式认知理论假设模型,提出了适合调性音乐要素特性描述的音级分布矩阵特征。这里,音级分布矩阵不仅从音级的角度描述了各个音级频谱分布特征,还描述了每一八度内部各频带(半音)的频谱特性,是一种兼具认知分布式思想与结构式观点的认知音乐特征。综合运用音乐信号处理技术,本文将此特征运用于真实音乐的调式及和弦要素识别上。4)利用新颖的长短时音频特征融合的方法,本文对音乐风格分类问题进行了研究:提出MFCC等描述音质的经典特征及节拍直方图作为音乐长时韵律的特征构成混合特征,并配合高斯混合模型,对音乐风格进行分类;同时,我们提出歌曲风格向量的表示方法,并用雷达图提供可视化分析——雷达图对类别之间的混识程度和双重风格歌曲的分类提供了有效的帮助。此外,本文还利用支持向量机作为分类器,基于音乐结构信息的背景知识,对音乐中人声与纯音乐的分类问题进行了研究。5)根据脑神经科学及认知心理学关于人类对音乐感知的研究成果,本文提出了一套基于选择性注意认知理论的音乐声响显著部分度量方法,提出了声学听觉显著度特征——它是通过建立统计模型描述乐音子带结构差异及时序差异的三维特征向量,而本文将其应用于旋律部分的识别技术中;而对于旋律分析的结果表示,本文提出了更加接近人类的实际听感与感知目标的旋律流。同时,本文利用音乐理论、经典认知学乐理模型,进一步将显著度特征进行扩充:从音乐的上下文相关性及和声结构特性出发,提出了乐理听觉显著度特征,与之前的声学听觉显著度特征形成补充,并印证了本文提出的音乐内涵分析理论。最后,我们使用全听觉显著度特征,综合本文所涉及的技术(常数Q变换、音高校正等)、工具(时间集成网络等)、结论(调式和弦识别结果),并加入多种乐理规则进行规正,提了一种音乐自动转译技术,初步实现了对于音乐作品的全面内容分析。