随着互联网的迅速普及以及音频压缩技术的广泛应用,人们更多地通过在线音乐平台获取和欣赏数字音乐,同时音乐创作也变得越来越简单。但与之而来的是音乐曲库数量在成倍增长。而如何有效的管理数量庞大的音乐资源便催生基于内容的音乐信息检索这一学科。其中音乐流派识别是音乐信息检索领域中的一个重要研究分支。近年来随着音乐曲库的飞速增长,音乐流派体系也日渐庞大,运用传统方法处理流派识别问题已难以取得优异结果,且无法在庞大曲库对应的大规模数据上保持高效。因此在当前背景下,亟需使用新兴高效方法提高流派自动分类系统的效率和准确率。本研究选取了当下人们喜爱的电子音乐作为研究对象,设计了一种基于频谱图作为分类特征的电子音乐流派分类方法,并对其进行实验和改进,完善了电子音乐流派识别的研究,同样给其他音乐流派识别分类的研究提供了思路。本研究主要集中在以下几个方面:总结了常见涉及到音乐流派分类问题的多种特征,论证分析各特征特点和因素,最终选取频谱特征作为研究重心。通过实际的音乐序列做频谱可视化转换,生成短时傅里叶频谱图、梅尔频谱图和常数Q频谱图,比较三种频谱图间的差异。并举例对比同种和不同种流派下的音乐样本生成的三种频谱图与流派之间的关系。利用卷积神经网络在图像处理上的优异表现,同时考虑到网络退化问题,设计了以频谱图为输入,以残差网络为分类器的电子音乐流派分类模型。安排了九组实验,以来自The Beatport EDM Key Dataset和The Giant Steps+EDM Key Dataset两个数据集中共1000个电子音乐为数据集样本,验证深度对于分类模型的影响,比较三种谱图对应的分类模型的性能优劣。且以本研究设计的网络与传统的机器学习分类方法做比较,总结得出,本研究提出的分类系统取得了70%以上的平均准确率,能够达到主流分类系统的性能,均超过传统浅层机器学习实现的分类方法,在平均准确率上比传统方法高10%以上,甚至在几个流派的分类识别上有接近80%的准确率。分类模型达到的分类效果还有提升空间,受音频场景检测相关研究的启发,引入HPSS(Harmonic Percussive Sound Separation)算法运用到谱图划分中,在原有的三种频谱图基础上,划分出九种频谱图,达到丰富特征的目的。划分出的九种谱图既保留了原始三种谱图的特点,也增加了对频率特性的感知。结合残差网络的分类成果,首次提出多种谱图的集成学习方法。具体实现步骤为:系统依次生成音乐序列的多个谱图,通过残差网络分别对多种谱图对应的特征进行学习,这样可以得到九个分类器;然后采用Stacking集成策略,将九个分类器的输出作为另外一个多层感知器的输入,由多层感知器的输出得到分类结果;通过验证后,评估集成学习方法和单独残差网络方法的分类性能差异。结果显示,集成学习方法的性能优于使用单独的残差网络方法,能够取得86.17%的平均分类准确率。