随着移动设备的广泛使用,移动网络带宽的高速增长以及越来越有效的视频压缩算法的出现,移动视频服务变得越来越流行。网络服务提供商往往需要监测用户在使用服务时体验质量,以此作为提升服务与异常诊断的依据与手段。与此同时,视频服务提供商为保护用户隐私,越来越多的使用加密传输来保护视频信息不被窃听和篡改。然而,这同时给网络服务提供商监测用户的服务体验质量带来了困难。针对上述困难,本文对适用于加密流量下的用户服务体验质量识别方法展开了研究。本文首先搭建了数据采集系统,根据预设条件自动收集预设视频网站视频播放产生的应用层日志数据和加密流量数据。并使用这套数据采集系统采集了不同带宽条件下的视频播放数据,作为研究样本。视频服务体验质量的量化方法是进行自动评估的关键技术。本文从视频清晰度、停驻时间、载入时长三个角度出发,基于相关研究的基础模型,设计了一种体验质量客观量化模型,基于视频播放时产生的应用层行为数据来评估用户服务体验质量。并在开源数据集上,将模型的客观评分与用户的主观评分进行了对比,确定了模型评分的可靠性。然后,使用了该模型对收集的视频播放数据进行了评估,以体验质量客观量化模型的评分结果作为标签,加密流量数据作为元数据,构筑了带有体验质量标签的研究样本。本文从特征工程的角度,提取并筛选了 33个流量特征。并使用五种常见的监督学习算法在最优的特征子集中构建了分类模型,对比了五种算法的性能,并对特征的有效性进行了分析。本文还从深度学习的角度,基于卷积神经网络和循环神经网络,构建了层次化时空特征学习的体验质量评估模型。该模型使用卷积神经网络直接从加密流量数据的数据包中抽取空间特征,再使用循环神经网络学习数据包间的时序特征。上述特征学习过程由深层神经网络自动完成,无需任何特征过程技术。同时,该模型具有优秀的泛化能力。