近年来，随着P2P技术飞速发展，P2P流量在网络总流量中占据的比重越来越大，P2P流量的识别与控制技术日益受到人们的关注。然而，人们目前对于P2P流量识别与控制技术仍缺乏行之有效的方法，本文在分析了已有的P2P流量识别方法的基础上对目前应用广泛的机器学习方法进行了改进。　　首先，针对目前大多数基于监督机器学习的P2P流量识别方法普遍存在时间代价较高的情况，提出引入时间代价为标准支持向量机四分之一的双支持向量机来用于P2P流量识别，并详细介绍了双支持向量机的数学模型，紧接着，对SVM和TWSVM在数学模型、时间复杂度、处理不均衡样本能力三方面进行对比分析;然后，针对传统双支持向量机没有考虑到分类结果易受噪声影响情况，在分析了常用模糊隶属度构建方法的基础上，加入基于距离和紧密度的线性分类模糊隶属度来减少噪声对分类结果带来的影响，并详细分析加入线性模糊隶属度的FTWSVM的求解过程以及进行实验验证;最后，提出一种结合K均值组合聚类和改进的模糊隶属度双支持向量机的K-FTWSVM方法，并给出了基于K-FTWSVM方法的P2P流量识别模型。实验结果表明，本文提出的K-FTWSVM在拥有较高P2P流量识别准确率的同时也能保持较低漏报率和误报率。