为了满足不同人群对音乐爱好的需求,各大音乐软件企业开始致力于数据挖掘在音乐分类中的研究,由于它具有很大商业价值和广泛的应用前景,很快引起了学者们的热切关注。本论文从统计学角度介绍数据挖掘常用算法在音乐分类中的应用。本文所做工作与创新如下：首先,介绍了BP神经网络,RBF神经网络,LVQ神经网络,Hoppfeild神经网络,通过解释其算法推导过程中所遵循的不同原理,阐述其实际应用的差别,以及他们之间的优缺点。运用上述神经网络分类器对本文所提供的数据进行分类,并解释其产生不同分类效果的原因。然后引入支持向量机分类器,通过粒子群和遗传算法优化算法,选择使适应度函数最小的参数。最后介绍了判别分析和逻辑回归分类,并对比分析所有分类器的效果。本文首次运用粒子群算法解决音乐分类问题中支持向量机参数选择问题。与遗传算法相比它们都从开始设定随机解,然后通过适应度函数,向不同方向寻找最优解,但是粒子群算法没有交叉,变异等操作,规则简单,容易实现,比较分析可知优化后的支持向量在此音乐分类实例便中具有很好的分类效果。本文的线性判别分析,决策树算法运用R软件建模。神经网络,支持向量机运用matlab软件建模分析。逻辑回归运用spss软件进行建模。