随着计算机技术和多媒体技术的发展,数字音乐成为了音乐传播的重要载体,促进了计算机上数字音乐的研究。将不同音乐数据流对齐是当前音乐信号研究中的重要方向,该研究对于实现对音乐信息的检索有着重要的意义。近年来,深度学习技术也被用于音乐的对齐。本文研究音乐数据流中音频和MIDI音符之间的对齐,选取钢琴音乐作为对齐的研究对象。通过音频信号处理技术和深度学习方法从音频信号中提取特征序列,实现了两种基于音高序列的对齐模型。并在此基础上研究了将音高序列和音符Onset序列相结合对对齐效果的影响,分析了三种不同神经网络模型提取音符Onset序列后的对齐结果。本文的主要工作内容有:1、音频信号特征参数和MIDI特征序列提取。通过分析音频信号的时频域特征,对音频信号进行预处理、分帧、加窗和滤波,选取音频信号长窗口的STFT特征和短窗口的STFT特征叠加起来的综合特征(360维)作为音频信号特征序列提取的特征参数。并通过分析MIDI文件格式,从中提取音高和音符Onset序列。2、基于音高序列的对齐。分别使用卷积神经网络模型(CNN)和双向长短时记忆网络模型(BLSTM)从音频特征参数中提取音高序列,使用快速动态时间规整算法(FastDTW)计算音频音高序列和MIDI音高序列的对齐路径。在l0ms、30ms、50ms、100ms阈值范围内的对齐结果表明使用CNN模型的对齐效果更好。3、鉴于音乐中音符起始时间的重要性,研究并实现了音高序列加音符Onset序列的联合对齐模型。并实现了三种提取音符Onset序列的模型:双向长短时记忆网络模型(BLSTM)、融合注意力机制的双向长短时记忆网络模型(BLSTM-Attention)、以及基于注意力机制的卷积神经网络——双向长短时记忆网络模型(CNN-BLSTM-Attention)。对齐结果表明加入音符Onset序列后对齐准确率大幅上升,在三种提取音符Onset序列模型中,CNN-BLSTM-Attention模型的对齐效果最好,BLSTM-Attention模型次优。