随着网络技术的持续进步以及网络应用的不断涌现,网络中的数据流比例发生了很大的变化。在这其中,网络音视频流量以其传播速度快、体积大等特点,对网络服务质量造成了一定的影响。因而,准确的流量识别与分类对避免网络拥塞、进行有效的网络管理和资源利用具有至关重要的作用。流量识别的正确性和效率,是该领域的重要研究课题。为此,本文从数据包内容匹配和流量统计特征的机器学习方法两个角度进行相关技术的分析与研究。针对已有的正则表达式在数据包内容匹配过程中,随着表达式数量的增加,因需要按顺序对所有表达式进行匹配,从而导致性能下降的问题,提出了一个基于WM(Wu-Manber)改进算法的正则匹配模型。该模型先将不同协议特征关键字与相应表达式建立映射关系,通过利用WM改进算法先对其关键字进行识别,然后只针对包含该关键字的内容进行相应表达式的匹配,从而可以做到有选择性地进行正则匹配,有效地提高正则匹配的效率。其中,基于特征关键字长度较短,通过分析WM算法在处理这些关键字时的不足对其进行了优化,并通过实验验证优化后算法的有效性。在机器学习方法中,针对不同网络数据流量统计特征选择的问题,首先分析了基于互信息的特征选择算法MIFS(Mutual Information based Feature Selection)中冗余权重系数的不稳性,进而提出一个充分利用特征之间存在的线性关系进行优化的算法ARMIFS。同时,为了做到对不同网络视频业务进行细粒度的分类,通过对不同视频业务统计特征的分析,设计了一个分层kNN(k-NearestNeighbor)模型,其中每层所选择的特征都是在该层中经过ARMIFS进行选择的结果。实验结果显示,所选特征和该模型能有效地提升其中各视频业务分类的准确性。