随着网络的稳健发展,网民不断增多,新型的网络业务不断涌现。网络多媒体业务(网络视频业务、网页浏览、网络音乐等)作为常用的互联网业务,占据了大部分的网络流量。因此,高效准确的识别网络业务流有着重要的意义,有助于网络业务供应商(ISP,Internet Service Provider)合理分配资源,进行网络管理,保障业务的服务质量。本文针对网络视频(直播和非直播)、音频(QQ音乐)、即时通信类(Skype)和网页浏览(Baidu和sina)六种网络业务进行分类研究。主要研究工作如下:基于信息增益率和演化算法提出了一种新型的多目标自适应演化特征选择方法,即GRMAEA算法。该方法首先利用信息增益率进行特征排序,快速降维,并选择排名靠前的特征作为多目标演化算法的初始种群。然后优化了传统的演化算法,选用不一致率和特征子集的维数作为目标函数,减少了特征选择迭代的时间开销,提高了分类器的性能。实验表明,在不同数据集上本文方法相对于现有的特征选择方法,具有较高的分类精度和较低的时间复杂度。利用GR-MAEA选出有区分度的特征组合,用于识别六种网络业务流。为了实现细粒度分类,本文设计了一种多层KNN分类器级联方案,结合特征选择算法选取的统计特征进行网络业务流识别,并将分类结果与已有多层SVM分类方案进行对比,实验结果显示本文方法具有较高的分类精度。运用深度学习方法深层神经网络DNN进行网络业务分类。实验中采用三层DNN对输入的27维特征向量自动进行选择、分类,并通过调整隐藏层节点数的设置和训练迭代次数来优化分类准确率,最终实现了六种网络业务流准确分类。并将分类结果与多层SVM、多层KNN进行对比,分析了各自的优缺点。