随着信息技术的高速发展,各种各样的互联网应用产生了大量的网络流量,消耗了巨大的网络资源,不仅给网络服务质量带来了极大的挑战,同时也会导致互联网安全问题的产生。为了合理高效的利用网络资源并为网络管理者提供有效的管控手段,网络流量分类是基础和前提条件。在各种网络流量分类技术中,基于机器学习的技术由于具有自动性和自适应性,成为近年来的研究热点问题。机器学习领域发现,不同的特征描述、不同的分类器在分类性能上存在着彼此互补的现象,同时使用多个分类器可能提高分类准确性。因此,多分类器的研究吸引了学者们广泛的注意,并且已在手写体识别、时间序列预测、基因序列预测等多个实际应用方面取得了较好的效果。但是,多分类器的方法在网络流量分类领域的应用研究才刚刚起步。在此背景下,本文对基于多分类器的网络流量分类技术进行研究。论文的主要工作如下：1、介绍了流量分类的基本概念,目前主要的流量识别方法及各自的优缺点,并重点分析了基于统计特征的识别方法。对利用机器学习算法进行流量分类的方法进行了详细分析,为进一步研究高效识别方法提供基础。2、基于这样的认识—实际的网络管理中,管理者希望识别出来并加以控制的可能只是少数特定的应用,本论文提出为关注的应用构建应用专门分类器,并将其组合协同工作的方法。同时,通过实验的手段,保证每个应用专门分类器对于其面向的应用具有良好的识别效果。本文方法只需要较少的实验工作量,却能够得到较高的准确性,实验结果表明,分类性能总体优于所有参与实验的单分类器方法。3、对前人提出的各种面向概念漂移的多分类器方法进行了深入的分析研究,在此基础上,选择基于权重的集成多分类器方法作为研究起点,对该方法下的主要技术环节进行了改进。