近年来,随着互联网技术的迅猛发展,网络规模的日益扩大,网络新时代已经到来,越来越多的新型网络应用也日益增多,网络节点与通信链路也日益复杂。视频流量分类与识别技术作为提高网络安全和网络可控性的基础而有效的技术,不仅有利于网络运营商提供给用户更好的服务体验,而且能够协助网络运营商进行监督和管理网络资源,确保网络系统安全平稳运行。为了帮助网络服务供应商获取更精准的应用程序和流量源的信息,从而更好地执行资源分配和流量工程,提出了一种基于深度学习的流量分析和识别方法,可用于加密隧道内流媒体视频源的识别。设计了一种新的格箱（bin）放置方法—Modified Kolmogorov-Smirnov Discretization（MKSD）,采用深度神经网络进行视频源识别。结合使用DNN和修正的直方图特征进行训练。通过模拟真实网络复杂场景（加密VPN隧道中的流量组合）进行实验验证;与已有方法相比,本文提出的MKSD算法可以提高单一或多流场景下视频源的识别精度。本文主要针对Amazon（亚马逊）、Fox News（福克斯新闻）、Douyu（斗鱼直播）、Vevo、You Tube、CNN（美国有线电视新闻网）、Huya（虎牙直播）、Daily Motion（每日行动）、Iqiyi（爱奇艺）、Netflix（网飞）、Bilibili（哔哩哔哩动画）等流量源进行识别。主要的网络视频业务识别研究工作如下:提出了一种新的特征提取方法—MKSD,可以实现数量上的快速降维,提取有区分性的特征,提高视频源识别的真阳性率。该方法使用核密度估计进行包大小的累计概率密度曲线绘制,之后使用柯尔莫哥罗夫-斯米尔诺夫离散化（KSD）来确定箱格边界的位置。选取杰森-香农距离（Jensen-Shannon Distance）作为特征提取质量的评价标准,可以更直观的看出直方图的差异性;探索了最佳箱格数目和深度学习模型准确率的关系。针对不同阈值影响结果的问题,增加了深度学习模型输出结果调整部分,通过自适应以调整判别阈值,可以更灵活的满足各种场景的要求。同时研究了有未知流量组合的问题,即“盲源”分离问题;在已知流量类别中加入一个未知类别,使用深度学习模型进行识别,达到了较好的识别精度。