符号音乐的生成在人工智能领域中仍然是一个尚未解决的问题，面临着诸多挑战。经研究发现，现有的多音轨音乐生成方法在旋律、节奏及和谐度上均达不到市场所要求的效果，并且生成的音乐大多不符合基础的乐理知识。为了解决以上问题，提出一种新颖的基于Transformer的多音轨音乐生成对抗网络（Transformer-GAN），以乐理规则为指导来产生具有高音乐性的音乐作品。首先，采用Transformer的译码部分与在Transformer基础之上改编的Cross-Track Transformer（CT-Transformer）分别对单音轨内部及多音轨之间的信息进行学习；然后，使用乐理规则和交叉熵损失相结合的方法引导生成网络的训练，并在训练鉴别网络的同时优化精心设计的目标损失函数；最后，生成具有旋律性、节奏性及和谐性的多音轨音乐作品。实验结果表明，与其他多乐器音乐生成模型相比，在钢琴轨、吉他轨及贝斯轨上，Transformer-GAN的预测精确度（PA）最低分别提升了12%、11%及22%，序列相似度（SS）最低分别提升了13%、6%及10%，休止符指标最低分别提升了8%、4%及17%。由此可见，Transformer-GAN在加入了CT-Transformer及音乐规则奖励模块之后能有效提升音乐的PA、SS等指标，使生成的音乐质量整体上有较大的提升。
