音乐流派作为音乐检索的重要依据,对其分类的研究有着重大意义。音乐流派分类的预处理工作主要包括音频信号处理以及声学特征的选择,音频信号处理已有一套权威的标准能够提取上百维声学特征,然而声学特征的选择目前仍没有达成一致观点。分类阶段,支持向量机由于具有良好泛化能力在音乐流派分类中经常被使用,但其对噪点敏感的问题依旧没有解决。同时,由于音乐流派本身具有的模糊性,以往单类别的输出方式就会造成信息丢失。本文以音乐流派为对象,分别从提高音乐流派单类别分类精度以及提升音乐分类的流派信息完整性两个研究点开展。本文主要工作体现在以下几个方面:(1)提出一种基于Relief-F特征加权的模糊支持向量机方法用于音乐流派分类。选用Relief-F算法计算出各个音乐特征的权重,对被筛选的特征有很好的解释性;分类器选择模糊支持向量机,并基于Relief-F计算出的权重构造一种新的隶属度函数用于减少噪声对分类的影响,考虑到了不同权重的特征对分类影响大小的不同;多分类的组合方式采用的是有向无环图(DAG)型模糊支持向量机,是因为其没有不可分区域的问题,且分类效率高。(2)提出一种多类别概率划分的方法用于提升音乐分类的流派信息完整性。该方法在分类器上同样采用特征加权模糊支持向量机;通过对比三种多分类方法,采用1-v-r分类器组合方式所形成的不可分区域来识别流派多元化的音乐样本;最后基于加权欧氏距离来计算被划分到各个目标类别的概率。论文针对不同业务场景的不同需求,提出了效果较好的音乐流派单类别分类精度提高方法以及音乐分类的流派信息完整性的提升方式,并将其应用于ISMIS2011音乐流派分类竞赛数据集。通过与竞赛最好结果的对比,验证了第一个研究点的有效性;同时,发现采用传统分类方法错分样本的集中流派与本文采用多类别概率划分方法发现的流派多元化音乐样本的目标类别相同,验证了第二个研究点的有效性。