目前,通过互联网在线欣赏音乐已经成为一种很常见的生活方式,不过互联网上存储的海量音乐,使人们并不能很方便的找到自己喜欢的音乐,这对用户产生了一定的不便。音乐推荐则可有效的解决这样的问题,音乐系统可在分析用户欣赏音乐习惯的基础上高效地向用户推送其可能感兴趣的音乐,这不仅会使用户得到更好的服务,对提高一个音乐系统的服务能力和服务水平也会有较好的帮助。本文对音乐推荐问题进行了比较系统的研究,提出了一个基于音频特征的音乐推荐方法,该方法通过比较音乐之间频谱分布的相关度来分析音乐的相似性,并期望将与用户喜欢的音乐相似度较高的音乐推荐给用户。本文的主要工作有音乐特征提取和推荐算法设计两个方面。音乐特征提取方面,本文在查阅大量文献的基础上,以音乐的频谱分布为基础,将音色(Timber)、节奏(Rhythm)和音调(Chroma)定义为主要的音乐特征。为了提高音乐特征提取和分析的效率,本文还对定义的特征进行了适当的优化,期望能够消除一些冗余的特征分量,以提高分析效率。推荐算法方面,由于音乐库存储着了海量的音乐,如果仅通过音频特征计算音乐相似度进行音乐推荐,那么音乐推荐将成为一种不可能完成的任务。为此,我们使用了混合推荐设计策略。本文给出了一个基于FP-growth的混合推荐算法,其主要思想就是根据用户欣赏音乐的历史记录来分析用户的欣赏习惯,然后进行相似度匹配。设计思路是先将音乐曲库中的音乐进行标签分类,然后选出一定数量的具有相同标签分类的音乐曲目。最后,再对这些候选曲目进行相似度匹配,根据相似度的大小筛选出一定数量的曲目,最终推荐给用户。本研究所取得的成果或许可为互联网音乐推荐系统的开发提供一定的支持,对提高互联网音乐资源的利用效率也有帮助作用。