音乐风格分类作为音乐信息检索的关键技术,具有广泛的应用场景,例如音乐检索、音乐推荐、音乐社交等。然而,面对海量的音乐进行人工分类已经是不现实的。通过机器学习的方法实现音乐的自动分类是一种有效的途径。然而,先前基于机器学习的方法主要集中在单一模态的特征,例如音频。近年来,文本的分布式表示取得了巨大的成功,在很多自然语言处理任务中都发挥重要的作用。为了综合利用歌词的信息提升音乐分类的效果,本论文围绕基于音频信息和歌词信息的多模态音乐风格分类技术展开研究。我们在提取音频和歌词各自模态的重要信息的基础上融合模态间的数据关系信息,利用不同模态信息的互补性实现快速、准确的音乐风格分类。总体而言,本论文的主要工作包括:（1）提出了一个基于多模态信息融合的音乐风格分类模型,利用梅尔频谱获取音频特征,通过词语的分布式表示技术获取歌词文本的语义信息,并分别设计了特征拼接、平均加权以及混合集成三种融合结构,并通过设计不同分支学习率和音频预加载权重的方式,解决音频和歌词融合模型训练收敛速度不一致的问题,保证模型得到正确的训练,损失函数可以进一步减小;（2）构建了一个多模态音乐风格数据集,并在该数据集上进行了一系列实验,证明了多模态音乐风格分类模型的先进性,验证了多模态音乐风格分类比单模音乐风格分类效果更好,其中混合集成结构拥有最高的分类性能,同时验证了BERT模型能有效地提取歌词的语义信息;（3）最后按数据采集、特征工程、训练评估、模型部署、功能应用的步骤,设计了一个多模态音乐风格分类系统,并集成了音乐分类、音乐管理、每日推荐等系统功能,在Web服务器上设计了系统功能界面和应用服务接口,方便使用和扩展。