音乐是娱乐生活中必不可少的元素,可以在人类的生理与情感方面引起共鸣。随着移动互联网的快速发展,人们对音乐需求急剧增长。传统的人类创作方式已经无法与之相适应。在网络平台中,数字音乐作为一种可快速传播的媒介,其市场发展前景广阔。随着深度学习技术的不断开拓与发展,如何利用深度学习技术进行音乐创作正在成为学者们研究的热点。研究者对计算机音乐生成的研究自上世纪至今从未间断。从早期的真实音乐片段拼接到传统的概率生成方法,再到基于深度学习的技术实现音乐生成,在这其中的生成对抗网络是近年来最热门的生成模型。将其引入音乐生成领域,既促进了计算机音乐生成的发展,同样也带来了新的问题和挑战。本文针对基于生成对抗网络生成的音乐样本之间互相独立,无关联性,音乐样本的噪声过多的问题,提出了改进方案。本文基于多音轨音乐生成模型Muse GAN,提出了一种新的多音轨音乐生成模型——循环特征生成对抗网络(RFGAN)。1.根据音乐结构的时间关联性与乐段重复性的特点,构建了一种新的时序模型,从而在时间序列方面加强了音乐样本的上下文关联性。并根据新的时序模式,对生成模型进行了改进,由原始生成模型的单向结构转换为循环结构,利用特征提取器对上轮训练信息进行特征信息提取,与随机噪声拼接之后传递到下一轮训练中。这样也可保持音乐的乐段的重复性。并针对模型生成音乐的样本噪声过多的问题,提出了在生成模型末端增加平均池化层的方案。改进后的模型在音乐结果评测中的上下文关联性表现较原模型有所提升。2.本文在对数据集的基本参数进行精细剖析之后,重点研究分析主流音乐数据集的音乐格式。根据模型改进的需要,选择了Pianoroll格式的多音轨音乐数据集。针对音乐样本上下文衔接不流畅问题,对Lakh—Pianoroll音乐数据集进行了特殊分节的预处理。根据音乐与语音之间的时间维度的相似性,在切分为小节时,将前后音乐小节的数据部分重叠,使得模型训练后,生成的音乐样本的上下文关联性较强。3.由于音乐评价的特殊性,本文使用主观评价与客观指标评价结合的方式对RFGAN和Muse GAN模型产生的音乐样本的上下文关联性,音乐的真实性,悦耳度方面进行了主观评价对比分析,结果表明,RFGAN模型的在乐句上下文关联性上有效性。在客观评测上的数据也较原模型有所提升。