Verarbeitung lassen sich längere Sequenzen und größere hierarchische Strukturen verarbeiten. In diesem Zusammenhang sind allerdings die Entwicklung eines Gedächtnismodells sowie die Einbeziehung metrischer Aspekte für eine umfassende musikalische Analyse unabdingbar. Die Architektur des ISSM ist so konzipiert, daß sich Erweiterungen um entsprechende zusätzliche Parameter und Verarbeitungseinheiten leicht integrieren lassen.

Die offene Struktur des ISSM ermöglicht es auch, verschiedene Methoden des maschinellen Lernens zu erproben. Die statistische Interpretation der Lernergebnisse bietet die Möglichkeit, bei Verwendung geeigneter Daten und Lernverfahren empirische Erkenntnisse über die Wahrnehmung und Kognition von Rhythmen zu gewinnen und ein anwendbares System zu erhalten. Hier bietet es sich an, weitere Lernverfahren und Modelle zu erproben, um von Weiterentwicklungen im Bereich des maschinellen Lernens zu profitieren.

Für mögliche Anwendungen ergibt sich eine Vielzahl an Perspektiven, von interaktiven Musiklernprogrammen über intelligente Anwendungen in der Musikproduktion bis zur automatischen Musikanalyse. Die Integration von Segmentierung und Ähnlichkeitsbeziehungen in einem Modell ist auch für die inhaltsbasierte Suche nach Musik in Datenbanken oder im Internet von Bedeutung. Insbesondere die Erweiterung auf Melodien eröffnet interessante Perspektiven. Je besser ein Programm musikalische Strukturen erfassen kann, desto besser kann es auf den Benutzer reagieren und ihn unterstützen.

Insgesamt bietet die computergestützte Analyse musikalischer Strukturen unter verschiedenen Gesichtspunkten und insbesondere die Integration wissensbasierter und lernender Methoden eine vielversprechende Perspektive für die Entwicklung von Modellen musikalischer Prozesse. Hier werden Musikwissenschaft, Musikpsychologie, und Informatik miteinander verbunden und eröffnen durch ihre Synergien sowie die praktische Anwendbarkeit der Ergebnisse ein faszinierendes Forschungsgebiet.