随着互联网技术的飞速发展,各种网络应用为人们的生活提供了极大的便利,网络接入用户数的不断增加,网络流量的数据量呈井喷式增长,网络环境中潜在的威胁也越来越多。在网络安全和网络运营服务领域,对于网络流量的准确分类可以实现对网络环境中存在的异常情况进行感知,以此提高网络的安全性和资源分配的合理性。为解决机器学习方法对流量分类时特征选择困难的问题,本文对卷积神经网络的原理进行了深入研究,设计了一种基于卷积神经网络的端到端的流量分类方法。将原始流量的16进制编码形式转换为10进制的矩阵形式,矩阵中的每个值对应灰度图像中的一个像素点,由此将流量分类问题转变为图像分类问题,省去特征选择的过程。然后对Le Net-5网络的结构和超参数进行调整,使其满足对正常流量和恶意流量的分类要求,验证卷积神经网络对图像化处理后的流量分类的有效性。在此基础上,对于深层卷积神经网络参数多、计算复杂度高的问题,提出了基于瓶颈层和Inception网络模块的特征融合网络。对于输入层数据,使用并行的双分支卷积操作进行特征提取,将不同感受野上得到的特征图进行融合,得到更丰富的特征。Inception模块的引入取代卷积层叠加的方式,在宽度上对网络进行拓展,提高了模型的泛化能力,并且在输入到大尺寸卷积核前,使用瓶颈层对特征图进行通道降维,有效减少了网络中的参数量,降低过拟合。实验结果表明,对于图像化处理后的原始网络流量数据,使用改进后的Le Net-5网络进行分类,可以有效提升流量分类精度。轻量化的特征融合卷积神经网络对加密流量的分类精度达到95.5%以上,较改进后的Le Net-5网络提高了1.8%,并且在不同分类任务中分类精度都达到了90%以上,证明了本文改进方法的有效性。