近些年,音乐的发展已经呈现大众化的趋势,而人工作曲的专业性太高,无法满足人们日益增长的音乐欣赏需求。此时就需要一种能高效快速生成音乐的作曲方法,因此自动作曲方法应运而生。自动作曲方法通常可以分为音乐特征的表示和作曲模型的设计两个关键的部分,本文针对MIDI音乐文件分别从以上两个部分给出优化方案,完成自动作曲工作的研究。本文的主要研究工作和创新点如下:(1)音乐特征的提取和表示部分,本文借鉴自然语言处理对语义分析的词向量模型,提出基于上下文语义编码的音符特征向量生成方法,解决了传统自动作曲使用独热编码的形式表示音乐特征而导致无法刻画音乐特征的上下文语义信息的问题。本文生成的音符特征向量之间不再是独立正交的,可以很好地表示音乐特征的上下文语义信息,是音乐特征的表示部分的优化方案。本文通过对比实验表明,使用本文提出的音符特征向量表示音乐特征而进行自动作曲工作能有效地提高音符预测的准确率。(2)自动作曲模型的设计部分,本文提出一种基于Bi-GRU(Bi-directional Gated Recurrent Unit)网络和自注意力机制的自动作曲模型,解决了传统的自动作曲模型由于网络结构的限制难以深入学习音乐的时序信息以及灵活的依赖信息的问题。在本文的作曲模型中,Bi-GRU网络由于自身的双向性,不仅可以学习音乐的前向依赖信息,还可以学习音乐的后向依赖信息,更好地刻画了音乐的时序信息;而自注意力机制通过赋值不同权重灵活的调整音乐特征之间的依赖关系,在音符预测的过程中突出重点信息,弥补了循环神经网络在发掘依赖信息中由于短时记忆力使得发掘音符之间的联系越来越弱的局限,优化了自动作曲模型。(3)自动作曲效果评估部分,本文提出客观和主观相结合的评估方式。其中,客观评估以自动作曲模型的音符预测准确率为准则,本文提出的自动作曲方案的音符预测准确率Top1 Accuracy、Top2 Accuracy和Top3 Accuracy上分别达到81.93%、90.15%和92.62%。在主观评估中,开发一套自动作曲线上评估系统,邀请音乐爱好者根据自己主观听音感觉做出评分,感性地评估自动作曲作品的效果,两种评估方式共同保证了本文自动作曲方案产生音乐的准确性和生动性。