随着数字媒体、音频技术和人工智能的快速发展,音乐的数据量持续增多,相对应的对其研究也不断增多。音乐的本质是人类情感表达的载体,如何实现更准确的对音乐情感进行识别就成为了我们关注的重点。本文基于深度学习融合多模态音乐特征,即结合音乐信息中不同类型的信息,将音乐的连续情感特征和离散情感特征结合,优化模型的情感识别效果。全文的创新点和主要工作内容可分为以下三个部分:（1）提出WLDNN＿GAN模型。让原始音乐信息首先通过预加重、加窗和分帧的处理方法,再提取出处理过后的音乐样本中的MFCC（Mel-Frequency Cepstral Coefficients）特征和 PLP（Perceptual Linear Prediction）特征,将其作为构建出的WLDNN的输入,在WLDNN的高维空间中进行两种特征的融合,进行最大程度的保留原有的音乐特征,同时经过了预处理的音乐数据更具有代表性,为后面的识别部分做下铺垫。最后在GAN网络中进行情感识别,并与目前主流的情感识别模型 MLR（Multivariable Linear Regression Model）、DBLSTM（Deep Bidirectional Long Short-Term Memory）和CNN＿GAN等模型进行横向对比,结果得出最后的VA预测回归值是优于目前主流模型,且价效值的预测效果要优于唤醒值的预测效果。（2）在前一章的基础上构建出WLDNN＿SAGAN模型,即优化WLDNN＿GAN的GAN模块,加入自注意力模块,优化音乐信号输入的权重大小,实现更高效且准确的音乐情感识别。本章采取申克尔分析法提取出乐章中最能代表情绪的乐段,并作为主旋律向量输入,并将第三章的基础上对MFCC特征进行优化,将MFCC特征与RP进行加权结合,来表示更完善更全面的音乐情感特征。将融合音乐信息输入到 WLDNN＿SAGAN 网络中,并于 WGAN（Wasserstein GAN）、MCCLSTM和MCCBL等模型进行横向对比实验,得出WLDNN＿SAGAN模型在输入特征连续情感空间提取到的MFCC特征与PLP特征与离散情感空间提取到的主旋律特征的数量为1:1的时候与其他主流情感识别模型相比精准度最高,可由此证明多模态特征输入对音乐情感识别起正向作用。（3）基于Pyqt5构建了智能音乐系统界面,并将本文所构建的WLDNN＿SAGAN模型嵌入到智能音乐系统的情感识别模块中,实现用户只要导入音乐,系统自动提取出情感特征并进行情感识别的功能,除此之外,还设计了音乐播放、音乐生成和管理等模块。