如今,网络视频应用非常流行,并广泛存在于人们的日常通信和娱乐生活中,互联网服务提供商(ISP)需要分类和管理大量视频流量。因为网络视频技术的飞速提升和新视频软件的不断出现,过去收集和标记的大量视频流数据集可能会过时。并且,以前训练好的传统ML模型不能很好地对新生成的视频数据集进行分类,这是由于运用传统ML技术开展分类的根本前提是训练集和测试集的数据必须满足同样的分布。为此,本文提出一种基于自适应迁移学习(TL)框架的分类算法Tr Ada Boost＿M来解决这个问题,同时也提出了一种混合式的特征选择(FS)算法MSGA帮助提高分类精度。本文主要针对在线标清视频(SD,480p)、在线高清视频(HD,720p)、在线超清视频(CD,1080p)、即时通讯类视频(IVC)、P2P类视频(P2P)和在线直播视频(ILV)六种网络视频业务进行分类研究。主要的研究工作如下:基于Multi SURF和遗传算法(GA)提出了一种混合式特征选择(FS)算法--MSGA。它结合了过滤式和包装式FS方法的长处,以实现特征尺寸的快速降维,同时还使特征子集的冗余度降低。该方法先利用Multi SURF算法对特征进行排序,快速滤除掉一部分无关特征,剩余的特征将当作GA的初始种群。我们选用了CART分类器的分类精度作为适应度函数来评价特征子集的好坏;经过基于GA的包裹式FS算法的不断优化更新,最终选取出合适的特征子集。实验结果表明,MSGA选择的特征可以有效地帮助改善分类效果。基于Tr Ada Boost,提出了一种可实现多分类的Tr Ada Boost＿M方法。该方法通过结合SAMME将Tr Ada Boost扩展到可实现多分类。它可以较好地利用过时的数据,以提高分类的准确性,同时节省用于标记大量新数据的成本。使用提出的MSGA和Tr Ada Boost＿M算法,在真实网络的视频流数据集中进行实验;结果表明,本文方法可以达到94%以上的分类准确率;与现有文献方法相比,显著提高了分类准确率。