随着数据挖掘、机器学习技术的发展,人们已经可以利用计算机智能处理很多数据,例如文本分类,语音识别,图像识别等。但是目前学术界对音乐内容的分析与处理研究相对较少。本文基于数字信号的时域处理方法、频域处理方法以及时频域处理方法,提出了一种全新的基于内容的音乐数字特征提取方法,并利用该方法提取的音乐数字特征实现对样本集中的音乐进行分类。论文提出的特征提取方法区别于传统的音频信号处理方法,传统的音频处理方法主要指面向频域的处理方法,此类方法运用信号频域处理理论,提取特定的信号指标,例如:频谱质心、带宽、平均能量等。然而传统的信号处理方法不能有效适用于音乐信号的分析与处理,原因在于音乐信号具有很强的时变特性,是典型的非平稳信号。传统的信号分析方法只能在频域上概貌的描述音乐信号,但无法在具体时刻给出对应状态描述。为解决这一问题,论文中音乐数字特征提取方法采用小波变换理论从时频域的角度分析音乐数据信号,同时采用矩阵奇异值分解方法,对音乐数据的主要听感特征进行提取,采用提取梅尔倒谱系数的方法,对音乐中音色特征进行描述,以及提出一种全新的音乐节拍追踪算法,对音乐的节奏特征进行描述。为了验证音乐数字特征的有效性和正确性,论文中采用了空间距离度量方法,对样本集数据进行了实验分析。实验分析表明,该数字特征能够有效的从人类听觉感官的角度描述不同的音乐。在随后的分类实验中,利用提取的数字特征对音乐样本集进行分类。其中,音乐样本集[4]由6类不同乐器及音乐风格的音乐组成,分别为:吉他乐、说唱音乐、钢琴乐、轻音乐、摇滚乐、纯人声音乐。在此样本集上的分类试验取得了较高的分类正确率。在分类时,论文中分别采用了逻辑回归和支持向量机对结果进行了验证,同时分别对两种分类方法进行了对比分析。论文研究结果表明,通过该方法提取的音乐数字特征,能够显著的降低原始音乐数据的数据量级,使得基于音乐内容的计算成为可能。进而,该方法可以有效的适用于音乐数据管理、分析,音乐服务提供等诸多领域,并且具有良好的前景。