当前以音乐为代表的多媒体资源在互联网上快速增长,用户如何有效的获取自己感兴趣的音乐便成为了一个难题,同时当前的音乐个性化推荐系统也根据不同的方式给用户推荐音乐,种类繁多并且推荐效果良莠不齐,因此对音乐推荐的研究具有重要意义。本文从音乐自身的角度出发,抽取特征并结合当前流行的推荐方法研究并开发智能化的推荐方式。用户可以在实际的操作中动态获取推荐结果,增加了交互性和参与度,改善推荐的质量和用户体验。本文以音乐的声学基础作为切入点,分析音乐的响度、音调、音色三个主要特征,用旋律轮廓特征表征音乐的特点。以常见的MIDI音乐作为研究对象,从分析MIDI音乐的文件的头块、轨道块格式以及MIDI消息入手,抽取出5个特征量,结合音乐的名称、演唱者、年份、风格和标签等结构化数据与标签数据共同参与特征相似度的运算。本文接着对当前主流的推荐方法做了一个研究,分析了推荐策略的优缺点,选择协同过滤推荐方法作为音乐推荐的引擎。在分析基于用户、基于内容、基于模型这三种代表协同过滤策略各自局限性的基础上,提出了把三种推荐方式整合并做出联合推荐的方法。最后将特征数据、推荐引擎、联合推荐方法结合起来,给用户提供更符合需求的结果。本文内容分为两大部分：MIDI音乐特征的抽取和推荐方法的研究。在对音乐特征和推荐系统的研究基础上,选择400首MIDI音乐作为研究对象,抽取出5个维度的旋律特征作为数据源,以联合推荐的方式给用户推荐歌曲。同时用户对歌曲的试听、下载、检索、评价的操作,都会动态的调整用户对歌曲的偏好程度,从而适应用户对歌曲的口味变化。