网络管理在很多方面需要识别网络流的应用类型,如流量监控、网络服务质量保障等。而现今像P2P那样的网络新业务飞速发展,使应用识别的重要性和难度不断增大。在当今主要的识别方法中,端口法使用范围越来越小,DPI深度包检测方法算法复杂度太大,基于数据流连接行为的识别方法具有比较好的适用性和复杂度,但是识别粒度太粗。如何进行高效的应用识别有待更深入的研究。本文旨在改进一种融合了中介数学理论的基于流统计特征的识别方法——基于MMTD(中介真值程度度量)的应用识别方法。已有研究表明该应用识别方法有良好的算法复杂度和适用性,以及在基于流特征的识别方法中不错的精确性,但存在一个重要不足是已有方法中用到的参数基本都是基于网络专业知识和对流属性值的人工统计分析凭经验确定的,参数的确定没有系统的方法,影响识别方法的精度与推广。本文融合了机器学习技术、中介熵理论对已有方法进行了如下改进与评估:(1)提出了一种能够反映对象测度(属性)分布特性的测度值与谓词对应关系,并给出了相应的真值程度计算方法;(2)提出了一种基于测度值分布密集程度的测度选取和权重计算方法;(3)提出了概率密度法计算测度值和真值对应关系数轴的标准度参数,通过一种严格的统计及数据处理方法得到各种网络应用流属性的特征参数;(4)揭示了基于MMTD识别方法的模糊性,利用离散模糊程度的计算来验证算法中判断未知流与某种特定应用相似度的每组公式的精确性;(5)用二相不确定性度量方法评估MMTD识别方法的整体可靠性。实验测试结果表明本文提出的改进和完善方案是有效的。文章拓展了中介真值程度度量方法,其改进的识别方法也为多属性对象的识别提供了一个新的通用的方法。