网络游戏作为一种新兴的娱乐社交方式,现已拥有着庞大的用户群体,且不断增加。同时网络游戏的发展也伴随着巨大的经济效益,其社会认可度也越来越高,因此通过对网络游戏进行加速,来提高网络游戏的服务质量有着十分重要的意义。为解决网络游戏加速的问题,首先要从庞大的网络数据流中找到网络游戏的数据流。因为机器学习具有强大的自适应性和自学习能力,能够很好的解决识别问题,而且拓展性好,所以本文提出利用机器学习的方法来进行网络游戏识别。相对于传统的利用单一维度信息进行网络游戏识别,提出了利用多维度信息进行网络游戏识别。在网络游戏加速方面,本文设计了网络游戏加速模型,该模型主要包括:利用SOCKET原始套接字实现的输入数据模块、基于决策树算法的游戏识别模块、基于QoS的WRR调度策略设计的游戏加速模块和利用多维度K-means聚类算法的数据更新模块。该加速方法具有成本低、实现简单和稳定性强的优点。通过仿真实验的方式对比了BP神经网络、决策树、PNN概率神经网络、ELM极限学习机和小波神经网络这五种机器学习算法在处理网络游戏识别问题上的性能。仿真实验的结果表明决策树算法在进行网络游戏识别时性能最优,因此本文选取决策树算法用于网络游戏识别。最后在家庭智能网关下实现了本文设计的网络游戏加速方法,并通过实验验证了方法的有效性,实验结果表明本文提出的网络游戏加速方法能够很好的保证网络游戏服务质量,实现网络游戏加速。