1.一种建立音乐分类模型的系统，其特征在于，包括：

第一特征提取单元，用于针对训练数据中的各音乐提取不同维度的声学特征向量，所述训练数据为预先选择的不同音乐风格的音乐；

第一特征拼接单元，用于针对各音乐将所述不同维度的声学特征向量按照预设的顺序拼接成超向量；

模型训练单元，用于利用不同音乐风格的各音乐的超向量训练高斯混合模型。

2.根据权利要求1所述的系统，其特征在于，还包括：

模型库单元，用于根据训练得到的所述高斯混合模型，构建模型库。

3.根据权利要求1所述的系统，其特征在于，还包括：

第一特征降维单元，用于去除所述超向量中各维声学特征向量的相关性信息后，将各音乐的超向量提供给所述模型训练单元。

4.根据权利要求1所述的系统，其特征在于，所述声学特征向量为：歌曲的速度特征、力度特征、音色特征和旋律特征中的任意组合构成的声学特征向量；

其中所述速度特征采用每分钟的敲击次数BPM表征，所述力度特征采用频率中心表征，所述音色特征采用泛音和谐波频率表征，所述旋律特征采用频率倒谱系数MFCC表征。

5.根据权利要求1所述的系统，其特征在于，模型训练单元根据所述超向量，对同一风格音乐的不同维度声学特征向量分别求符合高斯分布的概率密度函数，以及对求得的各概率密度函数进行线性组合，得出该风格音乐的高斯混合模型。

6.根据权利要求1所述的系统，其特征在于，还包括：

用户反馈单元，用于获取用户对当前收听音乐所反馈的结果；

自适应调整单元，用于根据所述反馈的结果以及所述当前收听音乐的超向量对高斯混合模型进行自适应调整。

7.根据权利要求6所述的系统，其特征在于，自适应调整单元触发模型训练单元利用用户当前收听音乐的超向量训练一个临时高斯混合模型，并根据所述反馈的结果为所述临时高斯混合模型取预设的权重，利用该权重将所述临时高斯混合模型与所述当前收听音乐当前归属的高斯混合模型进行线性组合，完成所述自适应调整。

8.一种推荐音乐的系统，其特征在于，包括：

第二特征提取单元，用于针对用户当前收听音乐提取不同维度的声学特征向量；

第二特征拼接单元，用于将所述不同维度的声学特征向量按照预设的顺序拼接成所述用户当前收听音乐的超向量；

匹配单元，用于将用户当前收听音乐的超向量与高斯混合模型进行模式匹配，以确定所述用户当前收听音乐所属的音乐风格；

推荐单元，用于向用户推荐属于所述匹配单元确定的音乐风格的其它音乐；

其中，所述高斯混合模型为权利要求1至7任一项得出的高斯混合模型。

9.根据权利要求8所述的系统，其特征在于，当所述高斯混合模型为权利要求3得出的高斯混合模型时，所述推荐音乐的系统还包括：第二特征降维单元，用于去除所述用户当前收听音乐的超向量中各维声学特征向量的相关性信息后，将所述用户当前收听音乐的超向量中提供给所述匹配单元。

10.根据权利要求8所述的系统，其特征在于，推荐单元采用欧氏距离衡量用户当前收听音乐的超向量与属于所述匹配单元确定的音乐风格的其它音乐的超向量的相似度，并向用户推荐最相似的至少一首音乐；或者，向用户随机推荐属于所述匹配单元确定的音乐风格的其它音乐。

11.一种建立音乐分类模型的方法，其特征在于，包括下列步骤：A1、针对训练数据中的各音乐提取不同维度的声学特征向量，所述训练数据为预先选择的不同音乐风格的音乐；

A2、针对各音乐将所述不同维度的声学特征向量按照预设的顺序拼接成超向量；

A3、利用不同音乐风格的各音乐的超向量训练高斯混合模型。

12.根据权利要求11所述的方法，其特征在于，所述步骤A3之后还包括步骤：A4、根据训练得到的所述高斯混合模型，构建模型库。

13.根据权利要求11所述的方法，其特征在于，所述步骤A2之后，A3之前还包括步骤：A20、去除步骤A2中所述超向量中各维声学特征向量的相关性信息；

在所述步骤A3中利用去除相关性信息后所得的超向量训练高斯混合模型。

14.根据权利要求11所述的方法，其特征在于，所述声学特征向量为：歌曲的速度特征、力度特征、音色特征和旋律特征中的任意组合构成的声学特征向量；

其中所述速度特征采用每分钟的敲击次数BPM表征，所述力度特征采用频率中心表征，所述音色特征采用泛音和谐波频率表征，所述旋律特征采用频率倒谱系数MFCC表征。

15.根据权利要求11所述的方法，其特征在于，所述步骤A3具体包括：根据所述超向量，对同一风格音乐的同一维度声学特征向量求符合高斯分布的概率密度函数，以及对求得的概率密度函数进行线性组合，得出该风格音乐的高斯混合模型。

16.根据权利要求11所述的方法，其特征在于，所述步骤A3之后还包括步骤：A5、获取用户对当前收听音乐所反馈的结果；

A6、根据所述反馈的结果以及所述当前收听音乐的超向量对高斯混合模型进行自适应调整。

17.根据权利要求16所述的方法，其特征在于，所述步骤A6具体包括：利用用户当前收听音乐的超向量训练一个临时高斯混合模型，并根据所述反馈的结果为所述临时高斯混合模型取预设的权重，利用该权重将所述临时高斯混合模型与所述当前收听音乐当前归属的高斯混合模型进行线性组合，完成所述自适应调整。

18.一种推荐音乐的方法，其特征在于，包括下列步骤：B1、针对用户当前收听音乐提取不同维度的声学特征向量；

B2、将所述不同维度的声学特征向量按照预设的顺序拼接成所述用户当前收听音乐的超向量；

B3、将用户当前收听音乐的超向量与高斯混合模型进行模式匹配，以确定所述用户当前收听音乐所属的音乐风格；

B4、向用户推荐属于所述步骤B3确定的音乐风格的其它音乐；

其中，所述高斯混合模型为权利要求11至17任一项得出的高斯混合模型。

19.根据权利要求18所述的方法，其特征在于，当所述高斯混合模型为权利要求13得出的高斯混合模型时，所述推荐音乐的方法中步骤B2之后，B3之前还包括步骤：B20、去除步骤B2中所述用户当前收听音乐的超向量中各维声学特征向量的相关性信息；

在所述步骤B3中利用去除相关性信息后所得的用户当前收听音乐的超向量匹配高斯混合模型。

20.根据权利要求18所述的方法，其特征在于，所述步骤B4具体包括：采用欧氏距离衡量用户当前收听音乐的超向量与属于所述步骤B3确定的音乐风格的其它音乐的超向量的相似度，并向用户推荐最相似的至少一首音乐；或者，向用户随机推荐属于所述步骤B3确定的音乐风格的其它音乐。