随着互联网规模的日益扩大,其承载的业务和应用也相应快速增长,人们在享受Internet带来种种便利的同时,网络安全问题日渐突出,给网络监管提出了重大的挑战。作为判别网络运行是否正常的关键,网络流量的数据分析技术是通过及时发现网络中的异常流量以采取相应措施来保持网络正常运行的一种手段。因此,异常流量分析技术的研究在网络管理中显得尤为重要,对提高网络的可用性和可靠性,保证网络的服务质量具有重大的意义。根据网络流量数据的特点,本文研究了基于统计学习理论的网络异常流量分析技术。首先,探讨了目前网络流量研究的主要内容和发展趋势,比较了现有的流量分析技术,并且分析其各自的优缺点。针对现有方法存在的处理高维数据困难、样本流量需求大、网络特征分析算法复杂度高等问题,利用支持向量机对小样本集具有泛化能力强,分类精度高的优点,深入论述该方法在异常流量分析中的适用性,提出应用支持向量机进行网络异常流量的分类、识别和分析方法；其次,采用网络侦听技术获取网络流量,解决了流量采集过程中对网络设备影响大、存储困难等问题；然后,论证了应用信息熵作为流量特征的原理,以及特征向量的预处理方法,简化了网络流量数据的特征选择与特征提取的步骤；最后,以P2P流量检测为例,将支持向量机应用到P2P流量和常规网络流量的分类识别中,获得较好的效果。并通过训练结合交叉验证法得到了合理的核函数参数和分类器,探讨了主要参数的调整对支持向量机性能的影响。在上述研究的基础上,本文设计了网络异常流量分析系统,总体结构采用模块化设计,实现网络数据处理、特征提取、训练、分类等功能,为网络管理提供了重要的决策依据。