随着计算机互联网的高速发展，各种互联网应用不断涌现，因此需要网络管理技术对网络带宽资源进行合理优化。在使用网络管理相关技术之前首先需要对互联网中的各种应用流量进行识别；因此，网络流分类(TnafficClassification)技术便成为网络管理中的核心问题。　　 本文结合机器学习中支持向量机的相关技术，对网络流分类技术进行研究。基于支持向量机技术的网络流分类器技术只需要较小的样本集即可训练得到较高准确率的分类器；因此，近年来吸引了大量的学者研究。尽管如此，现存的基于支持向量机的分类技术由于其高昂的计算代价一直无法实用。鉴于此，本文从软件和硬件两方面提出了两种优化方案使得基于支持向量机的分类器可以更好地适用于高速网络场合。在软件方面，本文提出一种新的基于支持向量机的多类分类技术（模糊锦标赛法）来解决分类效率和准确性问题。通过在真实的网络trace文件上实验，此技术极大降低了分类器的计算代价并保持了较低的分类错误率。相对于之前的技术，该法降低计算代价达7.65倍，误分率降低2.35倍。在硬件方面，为进一步提高分类器的分类速度，本文利用了GPU的相关技术来并行加速分类器的分类过程。最终，更低的计算代价、更高的分类准确率、更快的分类速度，这些使得基于支持向量机的分类器技术在高速网络环境中更加实用。