近年来,智慧城市迅速发展,该场景下物联网设备交互产生海量的、种类繁多的网络数据流量,为网络的管理和分析工作带来了压力。网络流量分类任务是网络管理和分析的基础性工作。高效且高准确率的识别分类网络流量能够为网络提供安全保障,同时也是保证网络服务质量和效率的关键一环。传统的网络流量分类机制包含特征工程和分类模型两部分。工作流程需要首先借助特征工程方法对原始数据抽取特征,然后将特征输入到传统分类模型得到分类结果。特征工程依赖历史经验,需要消耗人工和时间成本;传统分类模型的分类准确率也有一定提升空间。面对智慧城市场景中流量数量多、种类繁杂的特点,传统的网络流量分类机制已无法完全满足分类任务的需求。胶囊网络是一种新型的深度学习模型,在一些已有任务中表现出很好的分类性能。本文提出将胶囊网络融入到端到端的分类方法中,形成一套完整的网络流量分类机制,实现对智慧城市场景下网络流量的高效分类。本文的主要工作如下:(1)提出一种网络流量的表示格式,能够在表征流量的空间层级结构的同时方便模型输入;(2)提出一种端到端的流量分类方法,不采用特征工程,直接将原始数据流简单处理后输入到模型中得到分类结果,简化工作流程、减少时间消耗;(3)提出并实现了两种基于胶囊网络的端到端的网络流量分类机制,分别是基于胶囊和长短期记忆网络(CapsuleLSTM)的网络流量分类机制、基于胶囊和LightGBM模型(CapsuleLightGBM)的网络流量分类机制,并且通过实验验证两者都有着高效的网络流量分类效果。