随着互联网技术的发展和普及,互联网应用的更新换代速度远超以往,各种网络流量充斥着整个互联网,对各种网络流量进行有效地识别已经成为了影响互联网快速发展的重要问题。同时,随着互联网用户的个人信息保护意识的提高,以及加密技术和隧道技术的应用,使得互联网中拥有大量的加密流量和隧道流量。这种加密隧道技术一方面保护了用户隐私,另一方面也会被不法分子利用,从事非法活动。所以对加密隧道流量的识别方法的研究具有重要的现实意义。本文提出两种流量识别模型解决上述问题,其一是通过基于随机森林的识别模型来识别安全外壳协议（Secure Shell,SSH）隧道下的不同协议流量。其二是利用基于卷积神经网络的识别模型来对安全拷贝协议（Secure Copy,SCP）流量进行分类。首先,针对SSH隧道下不同协议的识别问题。本文提出基于主成分分析法进行特征降维的随机森林识别模型。该模型通过算法选取最佳的主成分个数实现数据降维,并通过学习曲线获取合适的决策树个数。该实验对比在SSH流量识别方面表现优异的决策树分类器和本文提出的随机森林分类器的混淆矩阵。最后,本文将通过对比实验验证特征降维前后不同算法的分类结果变化,证明随机森林分类器在SSH加密隧道流量识别方面的优势。其次,针对加密隧道流量识别方面研究的识别精细化程度不够的问题,本文提出了通过卷积神经网络算法识别SSH隧道下SCP文件复制流量的模型。该模型利用了卷积神经网络在图像处理方面的优势,通过搭建实验环境捕获并处理SCP流量,进而通过卷积神经网络进行流量分类。最后,本文将通过分析卷积神经网络识别结果的混淆矩阵以及流量识别的准确率、查准率和查全率等指标,证明卷积神经网络在SSH加密隧道流量精细化识别方面的优势。