随着网络空间与社会生活的融合交织,加强网络用户识别技术的研究对于网络空间治理的意义愈发明显。传统的基于显性标识的网络实体识别技术或者受限于攻击模型无法应用于网络监管领域,或者技术本身容易因标识信息被隐藏或篡改而失效,因此本文旨在研究基于指纹分析的网络实体识别技术,通过分析用户使用什么样的设备、进行什么样的操作、具有什么样的行为模式和习惯,达到识别用户从而为网络监管、访问控制等应用提供理论和技术支撑的目的。在网络终端设备指纹识别方面,硬件层指纹识别虽然效果较好,但是无法应用于网络监管领域,亟需研究基于流量分析的应用层设备识别技术;在基于流量应用分类的用户行为识别方面,加密技术尤其是匿名通信技术的普及对流量分析造成了巨大的障碍;而现有的网络用户指纹识别技术普遍存在因特征来源单一而造成识别效果容易发生抖动,以及识别周期过长等问题。针对上述问题,本文主要完成了三方面的工作:（1）提出了一种基于非交互式流量分析的网络终端设备识别技术。设计基于周期性分析的背景DNS流量识别算法PABDNSIdentification,并以抽取获得的DNS查询中的域名作为特征形成设备指纹,应用k近邻和BP神经网络等经典算法来实现指纹匹配。在24小时至30分钟的时间周期内,均可以实现高效的终端设备指纹识别。（2）设计了一种基于混合深度学习HDL模型的匿名通信流量应用分类方法。在详细分析Tor系统通信和流量封装机制的基础上,分别基于人工特征选择和基于原始流量深度学习实现流量分类,进而设计了基于混合深度学习的匿名通信流量分类方法,并通过公开数据集证明了方法的有效性,可用于实现面向匿名流量的网络用户行为识别。（3）设计了一种基于流量分析的网络用户指纹识别方法。通过抽取涵盖用户终端设备、所使用的应用软件和访问的域名等多方面的信息,解决了现有工作仅依赖DNS域名所导致的特征来源单一的问题,可以在较短时间周期内即取得90%以上的用户识别准确率。此外,通过引入高速流量捕获模块、分布式存储/计算框架和分布式机器学习算法,可以满足高速网络环境下对网络用户在线识别的需求。本文对基于指纹分析的网络用户识别技术进行了深入的研究,所提出的方法可以有效地分析和识别网络用户、用户使用的终端,以及用户进行的网络行为。与现有工作相比,这些方法具有更高的准确率和实用性,可以为网络空间治理提供有效的技术支撑。