互联网主干链路的流量行为具有一定的规律性,当突发异常流量发生时,这个规律会被打破,因此可以通过对流量行为规律性的检测来定位突发异常流量。导致突发异常流量的主要原因有恶意网络攻击、扫描和巨流等。及时对网络中出现的突发异常流量进行检测和响应,对网络管理具有重要意义。本文的研究工作以大规模网络边界的流记录为分析数据源,研究了突发异常流量的检测和分类相关的问题,并将研究结果在CERNET南京主节点网络边界进行测试和验证。论文的研究工作主要围绕以下几个方面展开:1)受限于标准数据集的构造,在实际的网络环境中应用基于机器学习的异常流量分类方法难度较大。因此论文首先讨论了面向突发异常流量的分类目标以及合适的分类方法,并构造了面向分类目标的有效分类测度。在此基础设计了一个基于有监督学习的突发异常流量分类方案。该方案能够有效利用实际网络环境中的无标签异常流量数据构造标准数据集,从而构建高置信度的突发异常流量分类器。2)对一个部署在CERNET南京主节点网络边界的基于端口流量分布的突发异常流量检测模块的核心算法进行了改进和扩展。改进操作优化了原检测模块的正态分布模型,增加了模型的可扩展性,通过对比实验验证了改进的有效性和可用性,经过测试,扩展后的模型能够有效检测异常流量并提取异常相关流集合。3)设计实现了一个二阶段突发异常流量标准数据集构造算法,并利用该算法成功构造出面向分类目标的高置信度的突发异常流量标准数据集。该算法包含强规则匹配阶段以及基于Tri-Training的半监督学习模型（TTSLM）扩充阶段,以实际网络环境中的无标签异常流量数据作为输入,经过两个阶段的处理后,能够输出面向分类目标的高置信度的突发异常流量标准数据集。4)设计了一套面向分类目标的突发异常流量分类器训练流程,该流程能够有效克服多标签分类问题,在此基础上利用二阶段突发异常流量标准数据集构造算法输出的标准数据集,训练得到最优突发异常流量分类器,该分类器能够以流记录为分析数据源,实时对检测模块检出的突发异常流量进行分类。最终将分类器部署在CERNET南京主节点网络边界,面向实际流量的测试表明该分类器能够在高速网络环境中完成对突发异常流量的实时分类。