对于普通人而言，不管是否拥有音乐背景，都能很容易的感受到音乐的节奏。然而人们在随着音乐不由自主的跺脚或拍手后，仔细回想，除了快慢之外确又很难准确的说出一个音乐的节奏到底是什么样的，这就说明了音乐听感节奏信息难以描述，对于我们计算机音乐研究者来说，这就意味着节奏特征难以被结构化的描述。无法结构化描述的数据，在现阶段的计算机处理中仍然是一个难题。因此，要使用节奏特征，我们必须找到一种节奏特征的结构化描述方法。　　 速度和节拍是人们对音乐非常直观的感觉，然而在现阶段还无法准确对节奏特征进行结构化描述的情况下，研究人员只能选择进行速度提取和节拍跟踪来描述人们听感上的节奏特征。节拍跟踪就是指直接模拟人们随着音乐跺脚或拍手的能力，即在音乐信号中直接寻找人们听感上的节拍点。而速度提取则为计算出一段时间内听者平均拍手或跺脚的次数，通常以BPM（每分钟多少拍）来衡量。　　 本文首先在分析总结前人算法的基础上提出了一种利用自相关相位—熵序列提取速度的算法，然后使用了支持向量机分类器对提取出的候选音乐速度进行筛选，利用分类器筛选出的最佳速度，我们构造了一个近似贝叶斯模型，使得节拍点序列在整体上与音乐信号的长时速度保持一致，最后结合动态规划的思想提出了一个节拍点定位的新方法，完成了节拍跟踪实验。本文还对实验结果进行了有效验证，通过与人们听感的速度和节拍点序列进行比较，验证了算法的有效性，通过与已有优秀算法的结果比较，验证了本文算法的先进性。　　 同时本文在速度提取和节拍跟踪的结果基础上，尝试着将音乐的听感节奏特征与曲谱的节奏信息结合起来。联系听感节奏特征与音乐曲谱信息的纽带和桥梁是音乐的小节。因此在本文的最后部分，我们使用节拍跟踪结果对音乐进行了小节线划定与小节结构分析，然后通过与音乐曲谱进行对比，确认了本文小节线划定以及小节结构分析算法的有效性。同时也确认了音乐的听感节奏特征与曲谱的节奏信息之间存在着关联性。