Akkoorden en toonaarden beschrijven muziek in een symbolische vorm. Ze verhouden zich tot gespeelde muziek zoals een tekstuele samenvatting zich verhoudt tot gesproken woord. Getrainde muzikanten kunnen muziek beluisteren en de gespeelde akkoorden en toonaarden neerschrijven. Dit proces is echter te arbeidsintensief om toe te passen op grote muziekcollecties. In deze thesis wordt daarom de mogelijkheid tot automatisatie onderzocht. Bij het neerschrijven van muziek gebruiken muzikanten hun ervaring: ze weten dat muziek niet willekeurig is, maar dat bepaalde patronen steeds terugkomen. Dit onderzoek focust op het toevoegen van zulke muzikale kennis aan het geautomatiseerd proces. Deze informatie dient dan om de nauwkeurigheid van de gevonden akkoorden en toonaarden te verhogen. Daartoe worden statistische modellen van toonaarden en akkoorden tesamen geconstrueerd, wat een rijkere muzikale voorstelling toelaat dan wanneer beiden afzonderlijk beschouwd worden. Deze modellen worden vervolgens gebruikt in een hidden Markov model (HMM) dat alle toonaard- en akkoordcombinaties onderzoekt om de sequentie te bekomen die het best overeenkomt met het akoestische muzieksignaal. Verschillende configuraties van het bekomen systeem worden getest om te bepalen welke vorm van muziekkennis het bekomen resultaat meest verbetert. Tenslotte worden enkele uitbreidingen voorgesteld die geavanceerdere duurmodellering mogelijk maken en een grotere muzikale context in rekening brengen.