近年来,随着互联网用户的快速膨胀和业务类型的多样化,Internet业务呈爆炸性地增长,网络行为特征也日趋复杂,这给网络规划、网络管理带来了巨大的挑战,因此进行网络流量分析进而成为了当前网络研究的热点。而网络流量识别是网络流量测量分析的基础,目前网络流量识别技术主要有基于端口和基于应用层协议标签两种技术,这些技术分别具有实现简单或者准确性较高的优点,但是它们也都存在着必须了解端口和协议标签具体数据以及不能识别加密流量等难以克服的缺点。网络流量识别技术是进行流量测量与分析的基础。如何识别和控制不同业务的网络流量,并通过准确的流量特征、高效的分类算法和合理的测量方案对网络流量实施测试、识别和分类是迫切需要研究解决的重要课题。本课题是国家自然科学基金重点项目：“智能化光接入网关键技术研究”(60672025)的研究内容之一。因此,本文主要针对高速接入网络的流量识别特性进行了较深入和全面的研究；提出了基于机器学习的适合高速接入网络的流量识别算法和在高速网络中的其他两种流量识别方法的比较与分析。其结果对高速接入网络的流量识别的实际应用研究具有一定的理论指导意义和较重要的参考价值。下面简要介绍本文所做的主要工作：1.系统研究了国内外流量识别的发展情况,重点研究了基于机器学习的流量识别的国际发展动态,分析了基于机器学习的流量识别的优点；2.系统研究了网络流量的主要特征以及这些特征对网络的影响,论述了网络流量测量方法和指标体系；3.分析网络流量识别的必要性,然后针对不同的网络流量识别技术进行了比较分析,阐述了它们的优缺点以及流量识别技术的发展趋势；4.提出并实现了网络流量识别分析系统,并基于11种有监督机器学习算法,利用正确肯定率,CPU占用率,建模时间,测试时间等多项指标,对系统的性能进行了评估；5.使用网络流量识别分析系统对我国宽带运营网络进行了测试,测试表明决策树中的C4.5,Randomtree算法,规则推理中的OneR算法,贝叶斯分类中的BayesNet算法是适合于高速接入网络的流量识别；本文是作者在研究生期间的理论学习和实际研发的总结,分为以下六章：第一章是论文的引言部分,主要对现有传统互联网的现状进行了分析和描述,对网络流量工作的技术发展、必要性进行了阐述,从而阐明了本论文研究的背景、意义、目标以及关键研究内容等；第二章首先分析了网络流量的主要特征,包括自相似性、长相关性和重尾性的特征以及这些特征对网络的影响；然后论述了网络流量测量方法和指标体系,为论文的后续工作和方向做好了准备第三章首先分析网络流量识别的必要性,然后针对不同的网络流量识别技术进行了比较分析,阐述了它们的优缺点以及流量识别技术的发展趋势；第四章在以上章节对网络识别技术和算法研究与比较分析的基础上,提出并实现了网络流量识别分析系统,基于11种有监督机器学习算法对系统进行了评估；第五章使用网络流量识别分析系统对我国宽带运营网络进行了测试,测试表明决策树中的C4.5，Randomtree算法,规则推理中的OneR算法,贝叶斯分类中的BayesNet算法是适合于高速接入网络的流量识别。第六章总结了论文的主要成果和创新点,同时指出了论文中尚待解决的问题并对下一步的研究工作进行了展望。