Muziek wordt steeds vaker op digitale wijze geconsumeerd. De digitale distributie en consumptie van muziek heeft veel mogelijkheden voor automatisering gecreerd. Het doorzoeken van grote muziekcatalogi kan bijvoorbeeld gestroomlijnd worden door het analyseren van de geassocieerde metadata en de inhoud van de geluidssignalen, om de muziek op verschillende manieren te classificeren en organiseren. Luisteraars, artiesten en verkopers van muziek zijn hier allen bij gebaat. Muzikale geluidssignalen zijn inherent hiërarchisch gestructureerd. In dit proefschrift worden een aantal modellen voor audiogebaseerde classificatie en aanbeveling van muziek voorgesteld die deze hiërarchische structuur uitbuiten. Hiervoor werd voornamelijk gebruik gemaakt van neurale netwerken, die in staat zijn om autonoom een hiërarchie van muzikale kenmerken te leren uit voorbeelden. Concreet worden modellen voorgesteld voor o.a. genreclassificatie, artiestherkenning, automatische tagging en muziekaanbeveling, die naast het geluidssignaal zelf geen andere informatie nodig hebben. Er wordt ook aangetoond dat het uitbuiten van deze hiërarchische structuur wel degelijk tot beter presterende modellen leidt. In een appendix wordt beschreven hoe een zeer gelijkaardig model ingezet kan worden voor de automatische classificatie van afbeeldingen van sterrenstelsels, wat de veelzijdigheid van de gebruikte technieken aantoont.