در این پایان نامه یک رویکرد جامع برای تشخیص خودکار ابزارآلات موسیقی ارائه شده است. در این روش، دیتابیسی که برای سیستم در نظرگرفته شده از گروه های تک نوازی تا چهار نوازی با سبک های متنوع از ترکیب هفت ساز مختلف از اینترنت جمع آوری شده و به فریم های ms32 تقسیم می شود. سپس با مطالعه چهار نوع ویژگی مختلف شامل زمانی، فرکانسی، ادراکی و کپسترال، 296 ویژگی بدست آمده و با استفاده از طبقه بندهای mlp, knn و svm طبقه بندی شده است. نتایج بدست آمده نشان می دهد که طبقه بندی mlp بهترین طبقه بندی کننده با میانگین صحت 36/98% است. در ادامه روش ارائه شده به علت این که ما مجموعه گسترده ای از ویژگی ها را مورد مطالعه قرارداده ایم با استفاده از الگوریتم های uta و pca ابتدا ویژگی های موثر تشخیص داده شده و سپس بردار ویژگی فشرده شده است. نتایج نشان دهنده این است که موثرترین نوع ویژگی ها smr و ld از ویژگی های ادراکی هستند که علت آن می تواند به مدلسازی سیستم شنیداری انسان مربوط باشد.