本学位论文的工作基于“电力信息通信网络流量预测和管道智能化关键技术研究及其应用”项目,主要研究方向为面向业务的流量识别与感知,主要内容为基于支持向量机的网络流量分类算法研究,将支持向量机用于流量识别中以提升分类性能。针对非线性情况下采用核函数的特点,论文通过研究核极化特点,提出一种基于核极化的特征权重算法(KPFW, Kernel Polarization based Feature Weighting);并分析多分类情况下,支持向量机分类的特点,结合基于核极化的特征权重算法,提出一种适用于多分类支持向量机的特征权重算法；通过分析传统有向无环图(DAG, Directed Acyclic Graph)支持向量机的特点,‘提出了一种模糊判决策略(FDP, Fuzzy Decision Policy),并将其应用在DAG-SVM中,提出改进的DAG-SVM算法,结合KPFW与改进DAG-SVM两种方法,在Moore等人整理的数据集上验证实际的流量识别效果。结果表明,本文提出的结合KPFW与改进DAG-SVM方法流量分类准确率较高,稳定性较好,各评价指标得分较高。全文共分为六章,主要内容为：第一章简介课题背景及研究意义,论述流量分类的基本原理,讨论几种比较常见的流量分类方法,同时给出本文的章节安排。第二章概述支持向量机理论,分析支持向量机在实际应用中的不足,引出多分类支持向量机,归纳分析目前各种多分类支持向量机的生成方式和各自的适用范围及不足。第三章引入核极化的概念,支持向量机中核函数的应用使得非线性问题的解决十分方便,通过分析核极化特点,提出了一种基于核极化的特征权重算法(KPFW),并分析多分类情况下,支持向量机分类的特点,将KPFW应用在多分类情况下,并在UCI数据集上对算法性能进行测试,验证其有效性。第四章分析有向无环图支持向量机的特点,针对传统DAG-SVM算法中的误差累积现象,提出基于模糊判决策略的改进有向无环图支持向量机算法,并在Matlab自带的数据集上验证其性能。第五章将KPFW算法与改进DAG-SVM方法结合,在Moore数据集上考察所提改进算法的实际流量分类效果。最后一章总结本学位论文的研究成果,并指出进一步研究方向。