在当今互联网浪潮的推动下，数字音乐的数量出现了爆炸式的增长，急需高效的分类管理方法。近年来，国内外学者针对音乐检索展开了广泛、深入的研究，但是未能取得广泛的应用，一方面，音乐检索是一个多学科交叉领域，研究难度大；另一方面，目前的众多研究多以音乐流派和情感标签作为分类目标，类似传统的分类管理方式，存在局限性。因此，开展音乐检索相关研究具有重要的研究价值。针对目前基于情感的音乐检索研究的不足，本文提出以参数来表示音乐情感强弱的方法，首先提取音乐情感特征，组成特征向量，然后利用fisher算法进行维数压缩，再通过大量的音乐样本对音乐情感参数化系统进行训练，最终得到节奏、音调和音色三个描述音乐情感强弱的参数。本文的研究成果主要有以下几个方面：首先，音乐情感特征的研究，通过实验证明MFCC是一组非常重要的参数，它在很大程度上决定了音乐情感分类的正确率。对于MFCC特征维数的选取，实验结果表明，13、14维是比较合理的。不同特征之前没有相互排斥，而是相互补充，因此搭配使用不同的特征有助于提高总体的分类正确率。其次，Fisher和SVM两种不同算法分类性能比较，在音乐情感类别很少的情况下，比如2个类别，两者分类性能接近，为了方便分类器设计、节省计算资源，优先选择Fisher分类器；在类别很多的时候，为了保证分类正确率，应该选择SVM这一类基于机器学习理论分类器；当类别特别多，起到关键作用的是音乐情感特征的选取，而不是分类器算法，应该将研究重点放在这方面。最后，音乐情感参数化系统的设计，本文以Marsyas音频处理库为基础，搭建了基于数据流模型的系统框架，选择了适当的情感特征组成特征向量，同时选择Fisher算法作为分类器，使用大量的音乐样本进行了系统训练，并对节奏、音调和音色三个参数进行参数归一化处理，最终完成了音乐情感参数化系统的实现。测试实验结果表明，本文实现的系统能够达到88%的识别正确率，基本满足实际应用需求，可以为相关的音乐管理软件提供搜索引擎，促进音乐自动搜索技术的发展。