音乐的结构是音乐作品表达作者思想的一种重要形式,也是听众理解音乐作品内涵的有效途径。音乐结构通常包括序曲、主歌、副歌、过渡段和尾声,因而音乐结构分析的目的就是将一首歌曲的这些组成部分划分出来并给出标弓。音乐结构分析是音乐理解研究的一个重要领域,在很多领域都有着重要的应用。音乐结构分析主要有“状态”表示和“序列”表示两大类方法。本文研究了基于音乐特征的音色单元建模方法,研究了在Fisher准则下,根据局部范围音色单元的分布,采用非监督聚类方法分析音乐的结构。本论文的主要研究工作及创新点如下：1.应用基于音乐特征的音色单元建模的方法进行音乐结构分析,算法主要包括预处理、音色单元分析及结构分析三部分,从“状态”角度以聚类的思想分析音乐结构,减少了结果中碎片的产生。2.引入基于离散余弦变换的(DCT-based) Chroma特征进行音乐结构分析,实验结果验证了其对音色变化确实具有更强的鲁棒性。3.采用了音色单元分布直方图聚类的算法,并引入了修正后的Fisher准则,得到最佳聚类结果。4.根据Bayesian Information Criterion算法的思想,提出了候选边缘分析算法,确定出最佳的候选边界点,优化直方图聚类结果。5.尝试从“序列”角度用相似性矩阵方法来分析音乐结构,发现阈值选择的恰当与否,直接关系到找出相似性段落的完整性程度,从而影响到音乐结构的切分效果。而本文提出的算法,则能保证找出所有的相似性段落。实验结果证明了基于离散余弦变换的音色特征,用音色单元分布聚类算法进行音乐结构分析的有效性