Cilj ovoga rada bio je istražiti i usporediti različite metode za izdvajanje značajki iz audio zapisa u svrhu prepoznavanja i klasifikacije glazbenih instrumenata. Istražene su četiri takve metode: spektrogrami, mel spektrogrami, mel frekvencijski kepstralni koeficijenti (Mel-Frequency Cepstral Coefficients, skraćeno MFCC) te linearno frekvencijski kepstralni koeficijenti (Linear-Frequency Cepstral Coefficients, skraćeno LFCC). Učinkovitost predobrade podataka svake pojedine metode ispitana je pomoću tri različite arhitekture konvolucijskih neuralnih mreža (Convolutional Neural Network, skraćeno CNN). Među njima je jedna jednostavna CNN arhitektura izrađena isključivo u svrhu ovog istraživanja te dvije poznatije, sofisticiranije arhitekture naziva ResNet-34 i VGG-16. Ulazni podaci za predobradu, treniranje i testiranje modela odabrani su iz skupa audio zapisa Londonskog filharmonijskog orkestra, a sastoje se od kratkih melodijskih fraza i tonova odsviranih na gudačkim instrumentima te drvenim i limenim puhačkim instrumentima. Samo istraživanje provedeno je u dva dijela kako bi se analizirao utjecaj broja klasa na učinkovitost predobrade i uspješnost klasifikacije. U prvom dijelu, klasifikacija se vršila nad tri klase instrumenata, pri čemu je svaka klasa pripadala jednoj od tri prethodno spomenute porodice glazbala. U drugom je dijelu istraživanja model za klasifikaciju ispitan na petnaest klasa glazbenih instrumenata. Ovisno o broju klasa nad kojima se vršila klasifikacija dobiveni su nešto drugačiji rezultati, no generalni poredak uspješnosti metoda ostao je isti. Zaključno, od četiri proučene metode za izdvajanje značajki, metoda MFCC koeficijenata i metoda mel spektrograma pokazale su veću učinkovitost od preostale dvije metode, posebice kada se radilo o većem broju manje prepoznatljivih klasa glazbenih instrumenata. Ovi se rezultati mogu potkrijepiti činjenicom da MFCC koeficijenti i mel spektrogrami analiziraju frekvenciju temeljenu na mel ljestvici koja je opažajno bliža načinu na koji ljudi doživljavaju zvuk. Dodatno, MFCC metoda po svojoj prirodi detaljnije i uspješnije izdvaja značajke koje se odnose na boju i teksturu zvuka, što se u ovom kontekstu pokazalo kao najvažnije sredstvo pri razlikovanju sličnih kategorija glazbenih instrumenata