当前,互联网技术飞速发展,新兴的应用程序应运而生。随着网络环境的复杂化,互联网服务提供商（ISP）迫切需要对大量的网络视频流进行分类与管理。同时,网络技术的发展,导致以前收集并标记的大量网络流数据集会过时,导致可用的训练集较少,需要实时采集和标注大量的新数据;另外,网络流特征会随着时间和网络环境的变化而发生概念漂移,并且不同应用类别的流发生漂移的情况可能不相同,导致基于传统的机器学习（ML）模型的流分类方法精度降低。针对上述问题,本文提出一种基于相似性度量的网络流融合模型,也提出了一种混合式特征选择（FS）方法SUmax-GA来提高分类准确率。本文关注非对称式视频流:点播超清视频（CD/1080p）、点播高清视频（HD/720p）、点播标清视频（SD/480p）,以及对称式视频流:即时通信类视频（IVC）、P2P类视频（P2P）和在线直播视频（ILV）六种视频业务进行分类。主要研究工作如下:将SUmax和遗传算法（GA）相结合提出了一种混合式特征选择（FS）算法SUmax-GA。它结合了过滤式和封装式FS方法的优点,以此来实现特征维数和特征冗余度的降低。该算法首先利用SUmax方法对所有的特征相关性进行排序,滤出一些不相关的特征,剩下的特征作为GA的初始化种群。接下来,采用CART分类器的精度作为适应性评价函数来评估特征子集的优劣,通过基于GA封装式FS方法的不断调整优化,最后选出最佳的特征子集。实验结果表明,SUmax-GA选择的最优特征能够有效提高分类器性能。基于JS距离（Jensen-Shannon distance）、Multi Tr Ada Boost和RF（Random Forest）方法提出了一种基于相似性度量的网络视频流分类融合模型JSD-MTAB-RF。该融合模型采用JS距离度量新旧数据集分布的相似性,结合ML和TL,可以较好地利用过去的数据,在节省标记新数据成本的同时提高了分类的准确率。与文献[26]中Multi Tr Ada Boost对比,本文分类融合模型方法能够取得更好的效果。使用本文提出的FS方法SUmax-GA和文献[26]已有的FS方法MSGA以及融合模型JSD-MTAB-RF,在实际网络业务流数据集上实验,结果表明,本文方法可以达到96%以上的分类准确率,较已有的MSGA方法有所提高;使用本文提出的分类融合模型和经典的多分类迁移学习算法Multi Tr Ada Boost相比较,实验结果表明,本文方法可以达到95%以上的分类准确率,较经典的多分类迁移学习算法有所提升。