信息时代下,音乐信息数量不断增涨,导致对音乐信息的检索、识别、处理需求与日俱增。然而背景乐曲与歌声往往具有相关性,它们之间的相互干扰给音乐信息处理带来了巨大障碍。音乐分离技术的研究给上述问题带来了新的探索方向。本文主要研究乐曲和歌声分离问题。在统计技术和计算听觉场景分析技术两大理论下,对NMF分离技术、音乐信息特征分析技术、听觉声学模型进行了研究。在此基础上,重点对音乐反复结构建立和背景乐曲提取等问题进行了深入研究,最后对基于音乐反复性的乐曲和歌声分离算法中存在的问题进行了一些改进,主要创新点有以下两个方面:(1)基于多反复结构的音乐分离音乐信号是随着时间变化而变化的,因此音乐的反复特征也是随音乐的变化而变化的。本文提出了一种基于多反复结构的音乐分离算法,通过多反复结构模型来更好的符合音乐自身变化的特点,并且利用了MFCC特征来建立反复结构模型。通过实验结果表明,该方法能较真实的反映音乐本身的反复性,一定程度上提高分离性能。(2)基于音源类型分析的音乐分离在以往的反复分离算法中,节奏缓慢,韵律较弱的音源容易被反复模型忽略掉,为了能较好的分离出这一类音源,本文采用了谐波、冲击源分离思想,促进这类音源的分离性能改善。通过谐波、冲击源分离思想和多反复结构模型共同作用对背景乐曲中不同类型音源进行分别分离。实验结果表明,对节奏韵律弱的音源进行单独分离后,大大减少了歌声中残留的乐曲音源,从而改善了分离性能。