音乐流派分类技术能够基于音乐内容对音乐添加类别标签。近年来,随着越来越多的流派在世界范围内出现,音乐流派分类已经成为一个非常流行的概念。基于传统机器学习的音乐流派分类方法需要基于音乐领域知识的额外特征工程,而深度学习技术则可以将标记数据直接传输到神经网络,而无需为每个问题开发新的特征提取器。另外,深度神经网络的可解释性仍然是机器学习领域的主要挑战之一。尽管现在的深度学习技术已经成功应用到很多领域,如图像分类。然而,研究人员始终担忧当前的许多深度学习模型无法得到合理的解释,从而使得人与模型之间建立起真正的信任。本文对深度学习和像素归因解释在音乐流派分类任务上的应用进行了研究,主要工作内容如下:目前,对于深度神经网络的可解释性的研究主要集中在传统图像分类的背景下,而在音频领域几乎没有涉及。为了更好地理解音乐流派分类任务中多输入深度学习模型的决策,我们使用基于像素归因的梯度加权类激活映射（GradCAM）方法对并行卷积结构的优异性进行了验证。并且创造性地提出了将Grad-CAM方法与其他像素归因解释方法相结合,来对梅尔频谱图中纹理信息对模型最终决策的重要性进行了验证。传统多输入深度学习模型会分模块并且独立地对每种类型的输入特征进行特征提取,然后将最终提取的学习特征连接后送入分类器进行分类。但这种方式割裂了不同类型特征之间的内部联系,从而无法进一步提供区分信息更加突出的学习特征用于分类。为了使不同类型的特征之间产生内部联系,本文考虑在模型中间层的位置将不同类型的学习特征连接后送入多输入模型的其中一个分支进行进一步训练。进而提出了一种基于多输入深度学习模型的中级学习特征交互的方法,并根据送入分支的不同,提出了该方法下的三种交互模式。实验结果表明,所设计的方法可以显著提高音乐流派分类的准确性。其中,在GTZAN和FMA-Small数据集下的分类准确率分别可达93.92%和76.80%,均优于目前的绝大多数方法。