个性化推荐在社会生活中的各方面都有应用,音乐推荐是其中的重要一环。目前数字音乐的增长是指数级别的,当用户想从海量音乐中搜索并发现自己喜欢的音乐时,会发现往往达不到自己的目的,面对这种需求,国内外学者争相研究音乐检索问题,比较常见的音乐检索方法只能利用现有的乐库,当用户把目标曲库的各种信息记住以后才能进行检索,在社会生活节奏日益加快的情况下,这种方法显然不太符合用户要求,及时快速的反应才是用户真正的需求,因此系统需要清楚地了解用户的需要,明白用户的兴趣点,并把相应的音乐播放出来,达到用户想要的效果。当前,亟需解决的问题是针对不同的用户,为他们推荐独一无最符合他们兴趣的歌单。音乐推荐技术多为基于标签的、基于内容的、基于协同过滤的方法等,基于关联规则算法的推荐系统研究尚处于起步阶段,在音乐上的应用研究也不多见。因此本文在回顾总结了数据挖掘技术和音乐推荐技术的基础上,将关联规则算法中的FP-growth算法与基于协同过滤的推荐算法和基于内容的推荐算法进行对比评价,证明该算法的优越性以及解决推荐问题的作用,之后将本算法应用于实际的音乐数据挖掘和推荐中,并将音乐数据库中的数据进行有效的数据转换,提高挖掘效率和准确性,对音乐推荐结果进行了用户满意度的测评,证明依照本文所述算法实现的音乐推荐确有其可行性及实际的应用价值。最后对实际研究中所做的工作进行了总结,同时对算法的改进和推荐技术的未来等方面做出了展望。网络音乐推荐系统的技术还有待发展,本文的研究对FP-growth算法在音乐上的应用做出了尝试,为海量音乐的快速访问提供了技术支持,使音乐资源得以有效利用。