近几年快速增长的互联网加速了网络流量的产生,根据思科视觉网络索引报告,2016年到2021年,全球IP流量预计会增长三倍,年均值将从1.2ZB上升到3.3ZB,这必将占据巨大的网络宽带,使得网络拥塞问题更为严重。对于这庞大的网络流量,如何进行有效地分析与利用,将会直接影响到网络安全的控制和网络资源的管理。网络流量分类技术则是一种分析和利用网络流量的重要技术,它对于网络流量的分析、网络系统的管理与改善都具有非常重要的意义。本文主要围绕网络流量的分类,研究了网络应用分类和网络用户行为分析。对于网络应用的识别分析,可以了解网络应用对硬件设备的发展需求,了解网络应用与用户之间的潜在关系特征,以及改善网络应用的服务质量。针对网络用户上网行为的分析,可以了解网络用户的上网习惯和喜爱偏好等个人特征或群体特征,更为精准地为网络用户提供更高效快捷的网络服务,同时也能为网络安全策略的更新提供依据。本文首先针对现有的网络流量分类技术的不足,提出将深度学习(Deep Learning)技术应用于网络应用分类的研究,从而提高网络应用的分类准确率。本文采用深度信念网络(DBN,DeepBeliefNetwork)作为网络应用分类的深度学习研究模型,使用UDP公共网络应用数据集作为研究对象,详细描述了构建适用于网络应用分类的DBN模型的设计与实现,并与传统的BP神经网络模型进行性能比较,分析得出该DBN模型有效地提高了网络应用的分类准确率。其次,本文还提出了基于DBN的网络用户身份识别的模型,该模型研究使用的数据集是某学院网络用户的真实流量数据。整个研究过程包括模型的构建、初始化、训练优化以及性能测试。最终结果表明,该模型实现了较高的网络用户身份识别的准确率。