从一个非常高的层次——您可以将歌曲转换为频谱图，有大量的实现可以做到这一点。从那里您可以分析声波。例如，在键的情况下，音符 A 等于 440 赫兹。也研究 FFT。希望这有助于您入门。我知道 spotify 在歌曲的频谱图上训练神经网络，以根据“声音”找到相似的歌曲。

您可以查看音乐信息检索评估交换 (MIREX)。年度竞赛，包含来自 MIR 的许多不同任务。与您的问题最相关的是音频键检测。可以在此处找到所用方法的说明文件。

在从音频信号中提取知识的库方面，我推荐Essentia。您可以在轨道中随时间窗口计算许多特征，包括音调描述符（键和音阶）。

一旦你为你的任务建立了一个轨道的判别表示，你就可以使用任何带有标记数据的监督分类模型。网络上有几个标记有曲目信息的音乐数据集。看看 GTZAN，每首曲目都有流派、节奏和键作为元数据。

我一直在寻找，最近发现这个和这篇文章似乎很有希望。我认为，如果我能从音乐中识别出大量的音符，我将能够识别音乐音阶本身。

如果你们有更多关于这个主题的材料建议，我将非常感激。