由于音乐数量的迅速增加,音乐分类的应用需求更为突出。音乐流派分类(MGC)是一种基于内容的音乐分析,在音乐检索中起着重要作用。虽然音乐分类算法已经取得了令人瞩目的成果,但在提高准确性、训练和超参数设置方面仍具挑战性。卷积神经网络(CNN)可提取低级特征,但不能保持长期依赖性。递归神经网络(RNN)虽可以保持长期依赖性,但仍存在梯度消失的问题,亟待研究音乐数据库智能高效的技术。本文研究具有适当归一化、正则化和平衡超参数设置的深度神经体系结构,以用于音乐分类和模型训练。主要研究进展如下:(1)为解决层数过多而导致的模型复杂问题,提出了一种结合CNN和残差学习的改进方法用于音乐流派分类。此方法用梅尔频谱图作为输入,使用不同池化技术的CNN层来提供更丰富的分类信息。残差学习使用的卷积网络跳过了不重要的学习步骤,从而避免了网络的复杂性。该模型在GTZAN和FMA数据集上进行的实验表明,两个数据集的分类准确度分别为87.80%和68.50%。(2)为解决网络训练复杂度和分类精度问题,提出了一种基于全局层归一化的CNN和RNN混合模型。CNN使用质谱图自动提取低级特征,从而消除了对人工干预的需求,而RNN执行时间聚合并保持长期依赖性。层归一化有效地代替了传统的批量归一化。将统计信息与功能维度一起计算,提高了音乐数据隐藏状态的动态性。实验结果表明,全局归一化联合神经体系结构改进了模型训练,该模型在GTZAN和FMA数据集上的平均准确度分别为89.79%和68.78%,提高了分类准确性。(3)为解决音乐分类中RNN梯度消失的问题,提出了一种结合CNN和改进RNN的混合模型。RNN的改进包括有长短期记忆LSTM、双向长短期记忆Bi-LSTM、门控循环单元GRU和双向门控循环单元Bi-GRU。本文使用MFCC和梅尔谱图特征,比较了不同的网络结构,并比较了所提出混合模型的性能。基于GTZAN数据集的实验表明,CNN和LSTM的混合模型对于MFCC特征的分类准确率达到了76.40%,而CNN和Bi-GRU的组合获得了89.40%的准确率。