音乐流派分类/识别在音乐信息检索领域是一项必不可少的关键任务,在音乐推荐以及音乐自动标记中都是一项必要的处理环节。音乐流派分类对于用户搜索自己喜欢的音乐作品是非常有用的。音乐流派分类一直是理解人类对音乐偏好的核心问题,并被应用于音乐推荐系统的构建。音乐流派分类中研究的任务主要包含特征提取和分类器设计,利用各种音频信号特征提取技术,利用手工制作的高级特征如响度、节奏和音色,以及最先进的神经网络模型已被广泛研究。在传统的基于帧特征的音乐流派分类方法中,音频数据由独立帧表示,完全忽略了音频的时序特性。如果能够对序列关系进行很好的建模,分类性能就会得到显著提高。利用深度学习模型设计并实现音乐流派分类系统是有趣而富有挑战的。在本课题中,围绕音乐流派分类,从音频特征提取、分类器训练到最终音乐流派预测设计和实现一个完整的音乐流派自动识别系统。本文在音乐流派分类问题上采用了长短期记忆(LSTM)模型,而不是卷积神经网络。通过训练一个深层模型,可以对音乐进行分类十种不同的类型。此外,本文还采用了分层分类的方案,进一步提高了精度。首先,通过训练LSTM分类器将音乐分成强音类和弱音类两个类,然后将音乐进一步划分为多个子类。本文提出了基于LSTM的音乐流派分类算法,利用LSTM学习连续帧特征的表示形式,整合分段特征中每个分段中的帧特征的相关统计信息构成。在对GTZAN数据集上的实验显示,提出的音乐流派分类系统在十种流派类型上能够达到50%的准确度,比基线模型CNN提高了约3.13%。这一重大改进显示了所提出的深层LSTM算法在音乐流派分类上的有效性。