网络流量测量是获取网络行为特征的基本方法，是流量工程、流量计费、安全检测以及其他网络应用的前提。互联网技术发展迅速，随着网络规模不断扩大和用户数量日益增长，与日俱增的网络带宽和瞬息万变的网络拓扑结构给流量测量带来了挑战，需要更加高效的流量测量方法来掌握网络运行状况，为优化网络、提高网络性能服务。论文结合国家863计划重大专项的研究，分析和总结了高速网络流量测量的体系结构以及相关的流量测量技术。针对现有流量测量技术存在的问题，重点对高速网络数据抽样、流信息概要化存储以及相应工程实现技术进行了研究。主要研究工作如下：针对均匀随机抽样导致小流估计准确性低的问题，提出了一种基于动态计数型布鲁姆过滤器（Dynamic Count Filter, DCF）的网络数据流公平抽样算法。算法采用了预设测量误差的计数型布鲁姆过滤器流统计、基于流的分层抽样、极短流抽样保护等方法，解决了网络数据不同流之间的抽样公平性问题。通过实际网络数据进行了实验仿真，结果显示：该方法易于实现，测量误差可控，具有空间高效性和较低的错误率。针对现有大流检测方法受存储和计算资源的限制，结合网络数据流符合重尾分布的特点，提出了基于双层计数型布鲁姆过滤器DLCBF(Double Layer Counting Bloom Filter,DLCBF)的大流检测算法。DLCBF主要由“动静结合”的双层计数型布鲁姆过滤器构成，采用大小流分开统计流量的方法，通过预设流量门限来检测大流，同时完成了大小流的概要化存储。通过实际网络数据进行了实验仿真，结果显示：该方法易于实现，具备空间高效性，较计数型布鲁姆过滤器节省了存储开销。针对高速网络流量测量实时性和准确性的需求，设计了一套流量测量系统。重点分析了抽样模块和概要存储模块具体实现方法，对系统进行了实验仿真，结果表明该系统在保证不同流公平性的同时能够高效识别大流。