在音乐信息检索领域中，基于内容的音乐识别和基于内容的音乐推荐是极具市场价值的两个应用。在本文中，这两个问题将在一个统一的、基于音频音乐字模型的音乐表示框架下被讨论。　　首先，通过聚类构建了一个音频音乐字典。参与聚类的音乐作品涵盖了中西方音乐的主要流派，共计8，945首音乐，约280小时。将参与聚类的音乐数据切分成无重叠的音乐帧，每一个音乐帧时长为20 ms。借助于Constant-Q变换，一个音乐帧可以由一个84维的向量表示。在Constant-Q变换中，本文共考虑了7个八度（频率范围从55 Hz到7040 Hz），每个八度对应一个12维的子向量。聚类算法采用Spherical K-means，其主要特点在于使用了夹角余弦作为相似性度量函数，使得音乐字不受音乐音量变化的影响。为增强音乐字模型的表达能力，本文对7个八度分别进行了聚类，7个聚类质心集合组成了最终的音乐字典。　　其次，基于音乐字典，提出了音乐的两种表示方式:音乐字序列表示和音乐字直方图表示。两首音乐的相似性由对应音乐表示的相似性来决定。音乐字序列表示保持了音乐帧之间的时序信息，数据量大，是音乐细匹配的基础。音乐字直方图表示忽略了音乐帧之间的时序信息，数据量小，是音乐粗匹配的基础。　　最后，基于音乐字典及其两种表示，本文设计、实现了一个高效的、可伸缩的二级检索系统。实验结果表明，对基于内容的音乐识别问题，音乐字模型在准确率和内存需求方面都明显优于现有的音频指纹模型。尤其是在对噪音的鲁棒性方面，音乐字模型的表现更好。对基于内容的音乐推荐问题，本文通过人工打分的方式对推荐效果进行了评价，平均打分为5.5（分数范围从1-9）。