近十年来,全球录制音乐市场收入稳步增长,流媒体音乐平台成为了整体增长的关键驱动因素。随着音乐创作数量的激增和内容获取难度的下降,许多音乐爱好者面临着音乐选择困难的问题,如何为音乐爱好者推荐符合他们偏好的音乐,建立有效的音乐推荐系统,成为了流媒体音乐平台的核心问题。本文针对音乐推荐中的短期推荐问题,以混合神经网络算法为基础,建立基于音频内容的音乐推荐模型来挖掘用户收听列表中音乐的时序依赖关系和内部相关性,从而探索用户此刻的情境和情感状态,为用户推荐合适的下一首音乐。本文的主要研究内容包括:（1）通过提取音频信息的倒谱特征、时域特征和能量特征,利用嵌入式技术将它们与音频的结构化特征拼接成为歌曲特征矩阵,再通过卷积神经网络提取出含有丰富特征信息的歌曲一维特征向量;（2）以两种带有门控结构的循环神经网络模型和自注意力机制为基础,建立了BGRU-SA和BSRU-SA两种音乐推荐模型,用于挖掘用户收听列表中的时序依赖关系和自相关性,并使用召回率和平均倒数排名两个指标评价模型的效果,实验结果显示两种模型的推荐效果均明显高于传统模型和未引入自注意力机制的原模型;（3）对两种改进模型在多个数据集上进行多指标的效果比较,分析结果显示BGRU-SA模型有更高的预测成功率但训练速度较慢,适用于数据质量不高,或对训练速度要求不高的场景,而BSRU-SA模型有更快的训练速度但对数据依赖较大,适用于数据质量较高,或者对训练速度要求较高的场景。本文设计的音乐推荐模型利用基于多种神经网络类型的改进模型来分析用户收听列表中歌曲的内容信息,探索用户此刻的情景和情感状态,为其推荐下一首歌曲,达到了较好的推荐效果,具有一定的应用价值。同时,探索了带门控结构的循环神经网络在音频信息特征训练上的潜力,发现其引入了自注意力机制之后有不错的表现,为以后的深入和拓展研究提供了参考。