面对井喷式增长的网络流量和提升用户隐私保护的要求,基于端口号和有效载荷的传统流量分类方法已经无法满足快速实时的分类要求。在迅猛发展的互联网时代,网络流量分类技术对于提高网络的管理效率,提升用户的网络体验,保障网络环境的绿色和安全有着至关重要的作用。因此本文深入流量分类技术的研究,研究内容分为以下三个方面。首先,面对加密流量难以提取有效信息的问题,本文提出了一种基于改进DCGAN的加密流量数据生成方法。该方法利用流量特征矩阵表现出的类像素行为,将特征矩阵构建为伪图像作为DCGAN模型的训练集,并通过新增LSTM层对传统的DCGAN结构进行改进,从而可以更好地学习流量数据的时序特征。实验结果表明,改进的DCGAN模型能更好地学习输入数据的特征,且训练时长更短。其次,为了提高无标签流量数据的分类准确率,改进K-means算法的缺点,本文提出了一种基于SOM与K-means融合算法的网络流量分类模型。通过SOM的预处理来改进K-means算法的随机性造成的不稳定性,实验从分类准确率和精确率两个方面与现有改进的K-means算法进行性能比较,实验结果证明该算法在准确率和稳定性方面有一定的提升。最后,为了更合理地评估聚类结果,本文采用S＿Dbw系数作为聚类结果的评估指标,并实现了一种基于时序特征的加密流量分类方法。首先选定少量带标签流量数据集构成伪图像矩阵作为改进DCGAN的判别器输入,然后将DCGAN的训练结果作为SOM-K融合算法的训练数据集,最后使用S＿Dbw系数作为聚类结果的评估指标。实验证明,S＿Dbw系数表现的鲁棒性优于其他聚类结果评估指标,且本文提出的分类模型在分类准确率,精确率和S＿Dbw系数三个方面的表现皆优于现有改进K-means算法和SOM算法。