近年来,爆炸式增长的网络音乐资源使得音乐信息的检索和管理变得困难。如何对音乐信息进行高效地检索与分类成为人们研究的热点。作为音乐信息检索的一个重要领域,音乐情感分类将音乐数据根据表达情感分成不同类别,非常符合用户搜索音乐的思维习惯。然而,情感独有的模糊性与主观性增加了机器自动化分类的难度,分类效果通常较差。本文研究的音乐情感分类系统试图找到使其性能提高的方法,具有重要的意义与实用性。在对情感模型进行分析后,选择Thayer的二维情感平面作为建立音乐情感数据库的基础。根据音乐信息检索国际会议建立的音乐情感标准将音乐分成五类,并引入连续型情绪感知的概念,将音乐情感视为二维情感平面上的点,由活跃度(A)和激励度(V)两个情感变量共同确定其位置。采用人工标注的方法确定五类情感在情感平面上的位置范围,并使用回归方法求取VA值与音乐特征之间的关系,从而将音乐情感分类问题转化为回归问题。设计并实现了基于回归的音乐情感分类系统,该分类系统主要包括训练部分与测试部分。训练部分采用多项式回归、支持向量回归与k平面分段回归三种算法求取回归模型。其中,k平面分段回归基于k平面聚类算法提出,通过多次迭代求取超平面的方法避免传统分段回归需事先求取断点的步骤。测试部分对输入音乐数据进行回归预测得到其VA值后进行分类,用分类准确率考量系统性能。结果表明,支持向量回归和k平面分段回归相结合的方法与单独使用一种算法相比,准确率提高了3到4个百分点;与基于支持向量机的传统分类方法相比,准确率提高了6个百分点。