互联网的飞速发展推动了信息数字化的进程,在线音乐的爆炸式增长就是一个范例,再加上现下自媒体创作的流行,使得各大互联网音乐平台上的作品数量更是暴增到数百万计。这个量级已经远远超过人工可以操作和编辑的范围了,那么如何对这些在线歌曲进行描述、整理、分类从而满足用户的搜索、查询和标记等需求,就成为了各大音乐平台优化用户体验所直面的挑战,也推动了音乐信息检索相关领域内各种课题的研究,比如哼唱检索、翻唱检索、歌曲结构解析、曲风分类等。在以上这些研究中,都会或多或少用到歌曲之间的相似度检测:比如哼唱检索是在考察收录的哼唱片段与曲库中的某一首歌曲或者其中的片段之间的相似性,翻唱检索则是要检验两首待检测歌曲是否是对同一段旋律的演绎,最终都需要歌曲或者片段之间进行相似度的度量。但是如何对相似度进行量化对于这个领域来说却是个难题,再加上所提取歌曲的音频特征里还会夹杂着大量的噪声,使得目前的相似度检测算法的准确率普遍不高,而且涉及到歌曲间短片段的相似度检测的研究更是少之又少,从而使得这个课题的研究还有很大的进步空间。为了尝试改进以上阐述的种种问题,本文综合了定量递归分析、状态空间嵌入、递归图等现今比较成熟的音乐信号处理技术,并基于此提出了一个新的相似度度量的指标,接下来我们首先将该指标运用到歌曲之间长片段的相似度检测上,在翻唱检索这一具体课题上检测指标性能:随后将其拓展到歌曲之间短片段的相似度检测上,在歌曲借用上验证指标有效性,将其作为短片段研究的一个首次尝试;最后,由于这个指标能够衡量不同歌曲之间的绝对相似度,我们将其作为聚类算法中的距离度量指标,用来尝试进行曲风聚类,作为该指标另一个可尝试应用的场景。