随着互联网带宽的增长,以及多媒体信息压缩技术的不断发展,互联网上数字音乐的存储和发布越来越普遍。为了应对用户随时随地检索的需求,基于内容的音乐检索应运而生。MIR中的中层特征就包括和弦,它包含了大量能够表现音乐属性的信息,对于分析音乐结构和旋律方面具有非常重要的作用。因此,本文针对音乐和弦识别进行了深入的研究,提出了鲁棒性音乐和弦识别特征和两种和弦估计方法。本文综合应用部分乐理、信号处理、模式识别等相关知识,提出了序列化稀疏表示分类和序列化支持向量机的和弦识别方法。其主要研究内容是以信号处理为基础,从特征提取和和弦估计两方面研究和弦识别。主要完成的工作包括以下几个方面:(1)提出了鲁棒性对数音级轮廓特征。和弦识别的一个关键是特征,在基于节拍的基础上提出了LPCP,使得LPCP能够更好地表达音频内容,提高和弦识别率;同时为了尽可能降低歌声的影响,在计算PCP前,对音频文件进行歌声伴奏分离,使得伴奏能够更好地包含和弦特征,这样音频文件对和弦识别具有更好的鲁棒性;(2)本文提出了基于序列化稀疏表示分类器的音乐和弦识别方法。在稀疏表示分类中,建立和弦样本数据库,对输入的音频片段进行和弦估计。在此基础上,结合隐形马尔科夫链模型,克服需要大量训练得到模型参数的缺点,提出序列化稀疏表示模型。在对MIREX’09的数据库中的大小和弦识别时,本论文提出的方法在使用本文的特征进行识别时,识别率均高于目前的识别方法。(3)提出了序列化支持向量机的音乐和弦识别方法。为了克服稀疏表示分类时间较长的缺点,引入支持向量机用于和弦识别。该模型只需要提前训练好参数,用于和弦估计时间较短。同时结合音乐和弦在时域上的变化特点,进一步改进支持向量机,提出序列化支持向量机模型。