音乐驱动的舞蹈生成作为计算机视觉和跨序列分析领域的重要研究内容,在虚拟现实、编舞、动画制作等各种生活场景中得到了广泛的应用。目前,现有的舞蹈生成方法要么只是专注于合成人体动作,而忽略了音乐和视频之间的联系;要么没有发现音乐和视频之间的强相关性。本文提出了一种基于音乐/音频序列的舞蹈动作合成模型。并且深入研究了舞蹈生成的一般过程,在此基础上引入了序列对序列（Seq2Seq）的概念。并根据舞蹈产生的特点,对目前主流的Seq2Seq学习方法进行了改进,除此之外还提出了一套没有参考来源的综合评价标准。主要的创新工作如下:（1）提出了一个跨域的Seq2Seq学习框架,用于现实的舞蹈生成。虽然目前已经提出了各种Seq2Seq方法,但大多数都只证明了它们在机器翻译方面的有效性。针对音乐和舞蹈的特点,本文对现有的主流Seq2Seq方法进行了改进,提出了一种新的跨域序列分析方法——基于自注意力-长短时循环神经网络（LSTM-SA）模型,该模型可生成和谐的、自然的舞蹈序列。（2）提出了一套没有参考来源的综合评价标准。音乐与舞蹈动作之间没有明确的参考映射,因此有必要寻找一些标准来评价生成的舞蹈序列是否自然,是否与音乐相一致。考虑到对舞蹈序列的研究较少,本文对生成的模型的优缺点进行了新的判定。为了保证评价的全面性,本文从主观评价和客观评价两个方面进行了评价。具体来说,本文提出了一种人工评分的方法,建立了一种新的基于深度学习的评分模型,并计算了原始舞蹈序列与生成的舞蹈序列之间的相关系数。（3）收集了一个包含音乐和对应舞蹈动作的数据集。目前几乎没有动作捕捉数据能够同时包括音乐数据和舞蹈动作数据。据我们所知,至今还没有开源的同步音乐和动作捕捉数据集。为了实现音乐驱动的舞蹈动作生成模型,我们创建了新的音乐-舞蹈数据集Music&Dance2019。该数据集是从互联网上收集的质量较高的舞蹈视频。（4）实现了一个音乐驱动的舞蹈生成系统。该系统将音乐驱动的舞蹈生成流程集于一体,共分为三个主要模块:音乐样本的选取、舞蹈序列的合成以及对合成的舞蹈序列进行打分。利用该系统可以清晰地显示音乐序列中不同生成阶段的舞蹈生成结果,并基于不同的Seq2Seq模型对音乐驱动的舞蹈生成的表现进行对比分析。