光学乐谱识别（Optical Music Recognition,OMR）是一个研究如何通过计算方式自动读取文档中的音乐符号的研究领域。随着科技的不断发展,人们的工作与生活的数字化已成为当今社会的发展趋势,而OMR正是实现音乐智能化与数字化进程中的一项关键技术,其在建设数字音乐图书馆,推广智能音乐教育等领域存在广泛应用前景。传统乐谱识别方法受制于其繁琐的流程,其识别效果不尽如人意。近年来,研究人员提出了基于深度学习的端到端OMR方法,将单行乐谱图像看作序列数据进行识别研究工作。本文在此基础上,从改进单声部乐谱识别效果着手,进而将方法推广到复调乐谱的识别上,本文具体研究工作与成果如下:（1）针对单声部乐谱的识别,提出了一种基于残差门控循环卷积和注意力机制解码的乐谱识别方法。首先,对残差网络及门控循环卷积原理进行分析,在此基础之上对原有单声部乐谱识别方法进行改进,采用残差门控循环卷积网络提取乐谱图像特征,使模型对音符结构更为敏感,同时丰富其上下文信息提取能力。其次,设计一个基于注意力机制的解码器,将音符特征表示与解码步骤对齐,并防止对音符的过度自信预测。实验结果表明,本文提出的端到端模型相比原方法在识别性能得到显著提升,并且对变形的乐谱的识别有一定鲁棒性。（2）基于对单声部乐谱识别的认识开展复调乐谱的识别研究。针对目前复调乐谱识别数据集缺失的问题,通过Muse Score社区及其工具生成复调乐谱数据集。采用迁移学习的方法解决数据量较小的情况,引入单声部乐谱的预训练模型,并采用BiGRU构建RNN,为特征序列建模提供更好的性能并降低计算量,在解码阶段提出了一维解码和循环解码两种方案分别对图像切片序列特征实施预测解码。实验结果表明,本文提出的端到端模型能够对复调乐谱有效地识别,且在循环解码器上的表现更为出色。