当前网络安全形势异常严峻,网络攻击越来越频繁和隐蔽。通常网络攻击需要利用网络实施发动与传播,网络流量会随着网络攻击的爆发而产生相应的变化。因此,对网络流量进行分类,及时发现异常流量,是检测网络攻击的最有效途径之一。近年来,大量机器学习算法被引入网络流量分类领域并取得了较好的分类效果。但目前基于机器学习的网络流量分类方法中,存在传统机器学习过分依赖人工设计特征以及深度学习具有黑盒属性,无法兼顾特征自主生成与特征可解释性等问题,导致分类效果不理想,并无法提供有效的决策依据。针对上述问题,本文结合网络流量数据具有明显的时序特征的特点,采用时序分析方法,提出了基于时序特征的网络流量分类方法,目标实现高准确率、高效率同时兼顾可解释性的网络流量分类算法。本文的主要工作包括:（1）探索网络流量特征自主提取的新方法,首次采用时间序列中最具辨识性的Shapelet子序列表征网络流量,并基于Shapelet-Transform算法,结合支持向量机分类算法构造最优分类模型实现网络流量分类。实验结果表明,所提方法可以实现网络流量特征的自主学习,并达到与深度学习接近的分类精度,同时给出深度学习方法无法提供的可解释性分类依据。（2）针对Shapelet-Transform算法时间复杂度较高的缺点,提出了基于GPU的改进算法,改写Shapelet-Transform计算逻辑将其部署在GPU上,利用GPU强大的计算能力来缩减计算用时。实验结果表明,基于GPU的加速方法可以大幅度提高分类效率同时不会对分类精度造成损失。（3）针对硬件受限时无法使用GPU加速的情况,提出一种基于快速Shapelet提取的网络流量分类方法,采用Fast-Shapelet算法中的SAX技术与随机掩盖的方法加速基于时序特征的网络流量分类,在不增加硬件成本的基础上,大幅度提升挖掘最佳Shapelet的速度。