音乐认知近年来一直为人们所关注，尤其是在音乐自身特点的发现上。将音乐作为一个复杂系统，我们可以发现，它并不是诸如简单的音调、旋律、节奏、调试等基本元素的组合，而是通过这些元素有机组合，在心理上给人以美感。　　 在已有的音乐认知的研究中，不仅有挖掘音乐与人的情感之间的联系方面；还有另一个层次，通过音乐本身特征的提取，用于对音乐进行检索、自动谱曲、音乐分类等方面。　　 本文的研究致力于对音乐分形特征的探讨和音乐分类指标的探索。通过DFA、小波变换、立方体覆盖法等，首先对Bach及Mozart的音乐进行分形特征的重现，结果发现他们的音乐呈现长程幂律相关；将音乐音调序列当作音乐信号，通过小波可将其转换为二维灰度图，其本质为音乐音调信号在不同时间和空间尺度上的拟合系数矩阵；而立方体覆盖法的应用则可以很好的计算出二维灰度图的分维值。为了进一步探索分类指标，我们采用了本文中新提出的0-1带宽计算法，得出每首音乐片段的条纹带宽值。　　 通过对24类音乐共669首音乐的分析比较，我们发现，分形维度确实可以作为区分音乐的良好指标。它可以反映音调序列的波动程度：如Rap类的音乐由于其高频节奏而分维值较大；而Gospel类音乐由于舒缓、平静的变化而分维值较低。同时，巴赫的音乐的分维值与Country和Folk类的音乐较相近，说明这三类音乐的音调波动程度较相似。　　 此外，在对快慢音乐的进一步分析中，我们发现，分形维度值与条纹带宽值存在联系，且是负相关的。这说明音调波动大的音乐(分维值大)的带宽值较低，而波动较小的音乐，即慢音乐，它的带宽值则相对较大。