本学位论文来自于国家电网公司“电力通信网络智能管道多维感知技术研究及应用”科技项目,研究目标为面向业务的流量识别与感知,主要内容为基于期望最大化(Expectation Maximization, EM)算法的网络流量识别算法研究,将EM算法引入流量识别中改善分类性能。针对EM算法易受初始化影响的缺点,提出一种基于Z限制矩阵和Tsallis熵的EM改进算法。此算法在分析了通用组件模型和独立混合模型这两种混合模型的优缺点,结合二者的特性构建出一个限制矩阵Z,利用此限制矩阵Z和基于Tsallis熵的q参数确定性退火期望最大化(q-DAEM, q-Deterministic Annealing Expectation Maximization)算法构建出新的算法,在Moore采集的网络集上验证实际的流量识别效果,结果表明此算法在增加部分计算量同时取得了比EM,DAEM都要好的分类效果。针对EM算法构建的高斯混合模型易受离群值影响的特点,提出一种基于中值位置和基于秩的散布阵估计的空间EM算法。基于椭圆分布中均值和协方差均值崩溃点低,易受离群值影响的问题,将均值与分布替换成空间中值和秩协方差矩阵,在Moore采集的网络集上验证实际的流量识别效果,结果表明此算法对于识别率较低的ATTACK流量有明显的识别效果。全文共分为五章,主要内容为：第一章简介课题背景及研究意义,阐述流量识别的基本原理,分析几种常见的流量识别技术,着重介绍了用于流量识别的机器学习,同时给出论文的章节安排。第二章概述EM算法,分析EM算法中的不足之处,并介绍几种已有的EM改进算法。第三章提出一种新的基于Z限制矩阵和Tsallis熵的EM改进算法,并在Moore集上采用精细指标考察其实际的流量识别效果。第四章提出一种基于中值位置和秩散布阵估计得新的空间EM改进算法,并在Moore集上基于ATTACK业务验证算法的稳健性,对离群值的不敏感性。最后一章总结本学位论文的研究工作,分析不足之处并指出进一步研究的工作方向。