如今网络在人的生活中必不可少，而搜索、微博、论坛等文本内容的网络应用成为了人们生活的一块重要区域。网络流量审计是DPI(深度包检测)技术的延伸，是专门针对文本内容网络流量进行监控的技术，在网络内容安全方面发挥着不可替代的作用，并将在未来集成针对音视频等流媒体内容的监控技术。由于网络流量审计需要深入到完整的网络报文进行检测，因此数据吞吐量非常大。为了应对网络的高速流量，网络流量审计系统需要进行性能提升。　　 随着多核多线程技术在计算机等高技术方面上的应用越来越广，许多针对提高多核多线程平台效率的技术应运而生。本文研究了网络流量审计系统存在的性能瓶颈，在多核多线程平台上对其进行了优化，以提高网络流量审计系统的鲁棒性，适应高速网络的需求。本论文通过研究多线程编程和机器学习等负载均衡技术，在网络流量审计系统的现有研究成果的基础上，发掘出系统每个模块的性能瓶颈，并将现有技术经过适当的修改，使得系统整体及各个模块获得性能提升，完成了高速网络流量审计系统各模块架构的重新设计实现。同时，在实验室环境中，对系统进行了对比实验，以显示本论文研究的技术在高速网络流量审计系统上的实际优化效果。