数字音乐是一种重要的多媒体数据形式,随着互联网和音频处理技术的发展,海量的音乐被创作出来并迅速的在消费者中进行传播。在浩如烟海的音乐库中如何快速、有效的寻找到所需要的音乐是一项非常有意义的课题。目前商业搜索引擎如谷歌、百度等依靠音乐相关联的文字信息完成检索任务,面临着文字信息的获得费时、费力、片面等问题。近年来,基于内容的音乐检索获得了广泛的关注,然而由于“语义鸿沟”的存在,检索的性能往往不尽如人意。将相关反馈技术引入到基于内容音乐检索中,可以弥补音乐底层特征和高层语义信息之间的差距,提高检索性能。在音乐内容的表达方面,首先,就音乐特征的提取方法进行了有益的探讨。所涉及的音乐特征,不仅仅包括语音信号处理领域常用的时频特征,还包括音乐信号特有的音色、节拍等特征。对于音乐的节拍特征,提出了一种基于常数Q变换特征的音乐节拍特征提取算法,并将其与自动规划算法有效结合,从而实现了基于音乐节拍的自动标注,为后续研究工作的开展打下了基础。在音乐特征提取的基础上,着重开展了基于支持向量机相关反馈式音乐检索方面的研究。首先采用单类支持向量机相关反馈的方法进行音乐检索,针对单类支持向量机不能处理负相关反馈样本的问题,提出了一种将正负相关样本同时引入单类支持向量机相关反馈的思路,并以此实现了基于单类支持向量机的相关反馈方法。对于两类支持向量机的相关反馈,进一步展开了针对多样本相关反馈式音乐检索的研究,提出了一种多抽样样本反馈的方法。提出了距离复杂度的概念,对于所选择的抽样样本,不仅仅要求能最大化减小支持向量机版本空间面积,还要求在映射空间中最小距离最大,且来自于高密度区域,用以消除样本间的冗余度和避免孤异点的选取。音乐检索实验表明,所提出的算法取得了比现有文献中提出的反馈算法更好的实验结果。在基于内容的音乐标注方面,国内外现有文献主要是采用两类分类方法,结果得到多个分类器,造成用户标注资源利用率不高。提出了一种基于多类支持向量机的音乐标注算法,不但能够解决多类分类问题,而且通过主动学习的技术,能在用户标注较少的音乐样本的情况下,获得较好的标注效果,从而更具实用性。