随着以太网技术在列车控制网络中的应用,如今的列车控制网络已经不再局限于对传统列车控制业务信息的传输,而逐渐发展成为集控制与信息服务一体化的列车控制与服务网络（TCSN）。然而随着列车控制网络与旅客服务网络的不断发展、结合,开放性更强的列车通信网络不仅对传输性能的要求越来越高,需要面对的安全威胁也不同往日,因此,其流量的识别与分类对于列车通信网络具有重要的意义。本文对以太列车通信网络传输内容及所包含的网络协议进行了分析,针对列车通信网络这一应用场景以及对其流量数据的分析与理解,提出了一种基于机器学习的列车通信网络流量识别方法,主要工作如下:1.将DARPA数据集与本地仿真平台捕获的数据进行混合,构建包含常见应用层协议以及铁路私有协议的混合协议数据集;对原始流量数据进行一系列预处理操作,主要包括pcap文件的读取及解析、数据清洗及流重组、数据长度的统一化处理、数据维度的转换（一维字节流和二维图片格式的转换）以及数据归一化处理。2.设计并实现了基于AGNES算法的协议聚类模型。通过对传统AGNES算法的主要原理及优缺点进行分析,对其算法的执行流程进行了的优化;在数据预处理后,对重组后的网络流进行相似度计算,并建立相似度矩阵,降低了计算成本;通过对不同参数进行测试,确定最优参数;最终实现将含有未知协议及铁路私有协议的混合协议数据聚类为单协议数据。3.设计并实现了基于一维卷积、二维卷积神经网络的协议分类模型以及层次聚类与神经网络分类器相结合的半监督分类模型。利用经过预处理后的一部分流量数据对两种模型进行训练,另一部分用作测试,并对两种模型的参数进行优化设计。选择优化后的一维卷积神经网络模型与层次聚类算法相结合,得到一种半监督分类模型,最后通过实验对三种模型的综合性能进行测试、检验。基于神经网络的分类模型,无需人工提取特征,并且本文在普通卷积操作的基础上引入了空洞卷积,降低了模型的复杂度的同时,有效增大了感受野。此外,层次聚类与神经网络分类器相结合的半监督算法能够有效解决实际情况下不同协议流量数据的标签标定问题,从而实现更为高效、智能的分类效果。4.通过实验分别对协议聚类模型和分类模型进行检验。主要内容包括模型参数的分析和调整,与其他算法进行对比和实验,以及对实验结果的分析和讨论。实验表明,本文提出的流量识别模型能够成功完成对列车通信网络流量的识别与分类,准确率较高且性能良好。