Στη διπλωματική αυτή παρουσιάζεται μια μεθοδολογία για την ταξινόμηση των μουσικών κομματιών και τραγουδιών ανάλογα με το μουσικό είδος που ανήκουν. Συγκεκριμένα χρησιμοποιούνται τα ίδια τα μουσικά κομμάτια ως πηγή πληροφοριών, και μέσω γνωστών μεθόδων επεξεργασίας ακουστικών σημάτων (που βασίζονται στο μετασχηματισμό Fourier) εξάγονται κατάλληλα δεδομένα. Στη συνέχεια με χρήση γνωστών μεθόδων μάθησης με επίβλεψη (δέντρα αποφάσεων, σύνολα κανόνων, μπεϊσιανή μάθηση, τεχνητά νευρωνικά δίκτυα και μηχανές διανυσμάτων υποστήριξης), γίνεται η αντίστοιχη μουσική ταξινόμηση. Στο τέλος προτείνεται μια συνδυαστική μέθοδος ταξινόμησης (συνδυασμός αλγορίθμων μάθησης) για την βελτίωση των αποτελεσμάτων όπου θα βγουν και τα τελικά συμπεράσματα. / The present work describes a methodology for the automatic recognition of music genres, based exclusively on the audio content of the signal. We use proposed techniques to extract attributes (based on Fourier Transform). Then with familiar supervised classification techniques we classify seven different music genres (rock, metal, hard rock, classical music, jazz, beat, rempetika -rempetika is a Greek music genre). At the end we propose a combined technique to improve our results. This technique is based on stacking generalization. We propose an improvement of stacking generalization.