近年来各类新型网络攻击技术层出不穷,使得网络安全问题倍受关注。受疫情影响,远程作业、远程办公成为企业和政府的常态,SSL VPN因其灵活性、易于维护管理、成本低等优势,得到广泛应用。其所产生的流量在网络流量中占比越来越大,成为网络恶意行为的一种良好载体,因此,精细化识别SSL VPN加密流量对网络信息安全防护有重要意义。本文面向基于SSL加密的VPN流量精细化识别方法开展研究,具体工作如下:（1）针对传统基于指纹的SSL加密流量识别方法漏检率较高且基于现有深度学习的加密流量识别算法精度不佳等问题,提出了一种基于比特级DPI和深度学习的SSL VPN加密流量识别方法。先用比特级DPI指纹生成技术识别SSL流量,缩小识别范围;再用基于注意力机制改进的CNN网络流量识别模型,识别SSL VPN流量。实验结果表明,所提方法较现有模型对SSL VPN加密流量的识别效果提高6%以上。（2）针对以往技术在处理不平衡的数据集时存在特征提取困难、检测率低的问题,且一般模型不能区分时间序列数据重要程度的差异,提出了一种面向类别不平衡SSL VPN应用流量识别方法,先用基于遗传染色体理论的数据合成过采样技术平衡数据集,解决不平衡造成的欠拟合、过拟合,再用基于注意力机制的双向GRU网络流量识别模型增强关键特征区分度,识别SSL VPN应用。实验结果表明,所提方法取得了较好的识别精度,整体应用识别准确度高于92%。（3）针对训练深层网络会增加模型参数和训练难度,导致梯度衰减,使得流量分类效果不佳的问题,提出一种基于递归Inception的加密流量分类方法。所提方法融合多种不同尺寸滤波器卷积的特征,从而在原始数据中提取更丰富的特征,引入递归结构,使所有Inception-Res Net权值共享,控制网络参数规模。在显著提高分类准确性的同时,降低模型计算复杂度。并改进损失函数以平衡数据集。实验结果表明,所提方法在4类实验场景的各项性能指标均优于较先进的方法。最后,总结全文工作并给出未来研究方向。