目前网络上运行着多种应用,每种应用都有自己独特的流量特征。应用层流量分类是研究差异性服务、QoS保障、入侵检测、流量监控、计费管理以及用户行为分析的前提和基础,有助于趋势分析、动态访问控制,以及发现入侵或恶意攻击,同时可以识别影响网络资源分布的新应用。因此,如何准确的进行流量分类并识别新的应用对于企业、运营商、服务提供商、网络管理员及用户都具有重要的意义。当前流行的流量分类方法包括基于有监督和无监督的机器学习算法,以及基于载荷的方法。但在实际的分类问题中,上述方法都有各自的不足和缺陷,比如在有监督的方法中对样本进行标记是一项代价昂贵的工程。因此,本文提出一种基于半监督支持向量机的方法来识别和分类网络中的流量。其中,支持向量机、标记流和协同训练算法是该方法的核心内容,是有效并快速的获得一个分类器的关键。本文证明了基于半监督支持向量机的分类器的三大优势：1)高的分类精度；2)高的泛化性能；3)快速的计算性能。最后本文基于开源工具包实现了流量分类算法的原型,并在校园网和居民网上证明该分类方法的可行性和高效性。