近年来,以Tor为代表的匿名通信网络,用户数量快速增加。匿名通信网络具有通信节点隐蔽、通信关系隐蔽、服务追踪难、用户监控难的特点,使其逐渐成为网络黑市交易、勒索病毒部署、个人信息贩卖等网络犯罪活动的高发地,因此,需要对匿名通信网络进一步加强监管,打击借助匿名通信网络实施的犯罪行为。网站指纹识别技术可以分析用户通过加密隧道访问的暗网网站信息,对匿名加密流量进行监管与审查,具有重要意义。目前,机器学习和深度学习技术已经广泛应用于网站指纹识别领域。网站流量指纹特征的构建,由基于有关Tor和HTTP协议如何工作、交互的经验和技术知识,手工选择特征的传统方法,向自动提取流量指纹特征的新型方式转变。本文的主要工作如下:（1）提出遗传算法优化卷积神经网络的Tor网站指纹识别模型。在分析Tor流量特性的基础上,将原始Tor流量记录预处理,输入构建的卷积神经网络CNN,并利用遗传算法的全局寻优能力自动寻找超参数,优化卷积神经网络,实现Tor流量特征的自动提取和网站指纹识别。经过实验,比较了该指纹识别方法与先前的指纹攻击研究在封闭世界数据集和开放世界数据集中的表现,结果表明该模型的识别准确率有一定提升。（2）提出基于多头注意力机制的跨时空Tor网站指纹识别模型。引入多头注意力机制为输入特征分配不同的权重以突出重要特征,使用深度多通道卷积神经网络提取输入数据的多视野空间特征并融合,利用长短期记忆神经网络LSTM提取时序特征,最后通过Softmax函数进行分类。经过实验验证,该模型与单一网络模型相比,在开放世界的二分类问题与封闭世界的多分类问题上识别准确率、训练效率、泛化能力均有所提高。（3）结合提出的两种网站指纹识别模型,设计实现了Tor网络网站指纹识别系统,支持匿名流量抓取、流量识别、识别结果可视化等功能,实现对网络中Tor网络流量的识别分析,为加强暗网监管工作提供支撑。