怀特曼（Wightman）认为，音高感觉与视觉的辨认相似，当字母A以任何形式出现时，如A、a等，只要它们具备A性，就可以被认出来。音高亦如此，在任何媒介上演奏C音，尽管它们的泛音结构不同（音色不同），只要不具备C型，就可以被听成C音，而不是其他泛音。

    特哈德（Terhardt）提出，学习在以上理论里提到储存图形具有重要意义。当一个纯音反复刺激后，大脑中便形成储存图形，待复合音进入后，储存图形中的线索可帮助大脑辨认出基音。

    上述理论尚停留在假想的水平不能得到证实。

    响度知觉

    响度知觉主要受至于震动强度，并受到振动频率和振动时间的影响。

    响度是由基底膜共鸣区内毛细胞的反应率来记录和传导的。当一音的强度增加时，毛细胞的反应率随之增加，如果强度继续增强，毛细胞的反应率就增长至定点，共鸣区沿基底膜拓宽，更多的毛细胞参与反应。可见，响度知觉是神经冲动总数的产物，是共鸣区内诸单个神经元的反应率同参与反应的神经元总数之和。

    音色知觉

     音色知觉主要取决于振动波形，音高和响度可以用单一维度的两极量来表达，如高---低、强---弱。音色则多借助言词描述。

    复合音中基音和泛音的频谱相对关系从一定程度上影响音色，但音色主要是取决于频谱的绝对位置。比如，放唱片时如果弄错了转速，频谱的相对位置并未改变，只是在整体上改变了振频，但音色知觉却明显起了变化，男低音可以变成童声甚至小鸟叫。