本研究提出了一种统一的多任务学习框架，针对音乐情感识别中的情感标签异构问题，结合类别和维度标签进行训练。该框架通过有效的输入表示和知识蒸馏技术显著提升了模型的泛化能力，尤其在MTG-Jamendo数据集上表现优于现有模型，推动了音乐情感识别的发展。

本文研究了自监督学习和多任务学习在音乐编码器预训练中的应用，分析其对音乐分类任务的影响。研究表明，结合多种自监督任务和合理的损失权重可以提升分类性能。此外，提出的EmoGen系统在情感音乐生成方面表现优越，神经网络在音乐情感识别中展现出良好潜力，支持个性化推荐和治疗干预。

本研究探讨了机器学习在音乐情感识别中的应用，分析了深度音频嵌入技术和循环神经网络的表现。结果表明，简单的RNN模型在小数据集上表现良好，多模态方法在情感预测中优于单一模态。此外，研究展示了神经网络在个性化音乐推荐和治疗系统中的潜力。