随着互联网的广泛应用,人们获取信息的方式发生了重大的变化,同时这也深刻影响了人们的娱乐方式。在网络上,很多的音乐网站都提供了成千上万首的歌曲供用户选择。在这样的情况下,人们如何从曲库中迅速找到自己喜欢的风格的音乐变成了一项不小的挑战。基于这种现实,通过研究用户的历史数据来向用户推荐其可能感兴趣的歌曲的音乐推荐系统得到了广泛而深入的研究。本文研究了一种基于音乐融合特征和高斯混合模型的音乐推荐系统的实现,通过音乐的波性文件获得音乐的三个重要特征:Gamma-tone倒谱系数、八音频谱对比度和情绪特征,通过对这些特征组成的特征矢量分别进行变换,得到长时音乐特征.使用高斯混合模型建模,通过不同特征矢量加权的方式获得两个音乐模型之间的相似,即代表了两首歌曲之间的相似度,从而产生推荐列表。本文主要的工作是:(1)使用Gamma-tone倒谱系数代替梅尔频率倒谱系数来获得音乐的音色特征。Gamma-tone倒谱系数采用了更符合人耳听力模型的Gamma-tone滤波器组,能更好的模拟人耳的频率选择模型。(2)通过对音乐三种特征矢量进行时间轴的变换来获得音乐的长时频谱特性,从而更能反映音乐的整体情况。将长短时特征相结合,更加完整的表达音乐。(3)使用动态K均值算法对高斯混合模型进行初始化。因为人们喜好的音乐风格数目事先是不能确定的,所以我们采用动态的K均值算法来初始化模型。通过限制聚类后的半径来动态的改变K的大小,使得推荐更加准确。最后为了衡量该方法是否能产生更加精确的推荐,我们建立了五个音乐数据库来进行测试。通过实验我们可以得出结论:在客观上,本文提出的音乐推荐算法达到了87%的推荐准度,相较于其他类似的推荐算法有了一定的提高;主观方面,测试也表明我们的算法更符合人的感受,接近人耳的真实感受。总之,本文提出的算法在实验中的效果均高于音乐推荐系统其他算法。