1、隨著互聯(lián)網(wǎng)絡的發(fā)展，越來越多的信息資源在網(wǎng)上發(fā)布共享，如何快速的發(fā)現(xiàn)和定位特定的網(wǎng)絡資源，成為研究的一個重點，現(xiàn)有的第二代搜索引擎，百度，google，yahoo等為人們提供了文本信息檢索服務，但隨著用戶需求的日益提高，這種只針對文本信息的檢索方式已經(jīng)不能滿足人們對于多媒體數(shù)據(jù)的查找，隨之海量視音頻數(shù)據(jù)的檢索成為一個熱點和難點，同時做為第三代搜索引擎的重要組成部分而被廣泛的研究。傳統(tǒng)的視音頻檢索都是建立在對媒體數(shù)據(jù)元信息人工標注的基礎上

2、，歸根到底還是對于文本信息的檢索，遠不能滿足指數(shù)級增長的多媒體數(shù)據(jù)處理的要求，所能搜索的范圍也局限于標注信息，不能提供更準確的基于音視頻內容的檢索服務。同時在廣電行業(yè)，安全行業(yè)中對視音頻數(shù)據(jù)的處理要求越來越高，如何基于視音頻內容的自動檢索成為一個巨大的課題，其中基于內容的音頻檢索包括音頻特征提取，音頻分類，音頻索引，音頻檢索等幾個研究方面。而音樂分類做為其中的一個子課題也開始被深入的研究。 本文的工作和研究方向主要包括以下幾個方

3、面： （1)研究了音樂的特征表示，分析了音頻分類的主流技術，對比了基于規(guī)則的分類方法和基于統(tǒng)計學習的分類方法. (2)著重應用統(tǒng)計學習方法中的支持向量機對音樂數(shù)據(jù)集進行訓練和預測，分析了支持向量機錯誤樣本分布情況。 (3)提出基于支持向量機的層次預測音樂自動分類方法，并設計實現(xiàn)了關鍵算法，最后加以實驗驗證。 (4)應用本文提出的自動分類方法開發(fā)出自動分類引擎，改進了現(xiàn)有的音樂檢索系統(tǒng)，對改進后的系統(tǒng)進行了