音乐在人类历史中起着重要的作用,在现今的数字时代更是如此。现在音乐的数量以指数的形式增长,与此同时,对音乐进行组织、分类、检索的需求也在不断增加。基于音乐情感的分类与检索有别于传统基于音乐文本的分类与检索方式,更加注重创作者的情感表达和音乐在心理学方面的独特特点,也是用户人群不可或缺的个性化需求,因此越来越受到关注。音乐情感识别就是按情感对音乐进行识别分类。本文分析了当今国内外对音乐情感识别的研究现状,并总结了已有的音乐情感识别研究中的情感模型、数据集、音乐特征、机器学习算法、系统框架,并根据这些特点选择使用机器学习的方式来进行音乐情感识别。随着人工智能技术迅猛发展,机器学习也迎来了研究热潮。机器学习的过程是通过现有数据训练模型,然后用训练的模型预测结果。机器学习让计算机模拟人学习的过程,通过经验知识对未知做出预测判断。本文选择使用经典的k邻近(k-Nearest Neighbor,KNN)回归与支持向量机(Support Vector Machine,SVM)算法进行维度和离散模型的音乐情感识别的实现。由于维度模型的不确定性更高,KNN回归算法效果欠佳,还有很大的改善空间,可以借助其他辅助算法或者其他音乐信息来提高识别准确性;同时,在实验中比较了近邻数对识别准确性的影响,邻近数过大或者过小都会使得识别表现变差,因此必须选择合适的邻近数。在离散模型中,SVM算法识别表现良好,在实验中比较了不同核函数下的识别效果,发现核函数的选择对识别结果的影响较大,想要获得较高的识别率必须要选择合适的核函数。最后,本文总结了目前通过机器学习进行音乐情感识别存在的问题,并对音乐情感识别的未来进行展望。