随着互联网技术的迅猛发展,网络流量的爆发式增长和网络协议的灵活使用导致网络威胁越来越多。这些威胁都可以通过网络流量识别得到很好的解决。面对日趋复杂的网络环境,能够处理高维数、多类型等现代网络流量的识别方法,越来越受到人们的重视,其中基于机器学习的流量识别算法是近年来各专家学者研究的重点。网络流量识别的过程主要包括特征处理和流量识别两大方面。针对目前特征处理方法中,不能同时去除特征集中的冗余特征和无关特征的问题,提出了一种基于K-L变换和ReliefF特征选择的KL-RF算法。该算法利用K-L变换去除原始特征集中的冗余特征,并采用自适应的方式调整ReliefF算法的特征权重阈值,去除其中的无关特征,获得优质的特征子集,进而降低流量识别的复杂度,减少训练建模的时间,提高运行效率。针对基于机器学习的AdaBoost-SVM算法,在流量识别中存在样本被多次错分造成的权重失衡问题,提出了改进的AdaBoost-SVM算法,该算法通过调整各类样本的误差分布,选择合理的基识别器权重计算方法,防止训练过程中出现样本权重失衡的现象,提高流量识别的准确率。最后采用Andrew W.Moore数据集对KL-RF算法和改进的AdaBoost-SVM算法进行验证,实验结果显示,与原有算法相比,本文提出的算法降低了特征子集的维数,减小了构建识别模型的时间,提高了流量识别的准确率。