本学位论文来自于“电力信息通信网络智能管道多维感知技术研究及应用”项目,研究目标为面向业务的流量识别与感知,主要内容为基于神经网络的网络流量识别算法研究,将神经网络引入流量识别中改善分类性能。针对特征属性较多的现状,论文通过研究特征选择算法,提出一种基于属性关系分析的特征选择算法(Analysis of Relationship among Attributes based Feature Selection, ARAFS);根据神经网络理论,提出一种基于CS算法的神经网络选择构建集成方法(Cuckoo Search based Ensemble, CSEN);融合ARAFS与CSEN两种方法,在Moore等人整理的数据集上验证实际的流量识别效果。结果表明,本文提出的融合ARAFS与CSEN方法流量识别率较高,稳定性较好,各评价指标得分较高。全文共分为六章,主要内容为：第一章简介课题背景及研究意义,阐述流量识别的基本原理,分析几种比较常见的流量识别技术,同时给出论文的章节安排。第二章概述神经网络理论,分析BP神经网络的不足,引出神经网络集成,归纳神经网络集成中个体网络与最终结果的生成方式。第三章从搜索策略及评价准则入手分析特征选择算法,提出了一种基于属性关系分析的特征选择算法(ARAFS),并在UCI数据集上对算法性能进行测试验证有效性。第四章分析选择性神经网络集成,提出一种基于CS算法的神经网络选择构建集成方法(CSEN),并在Matlab自带的数据集上验证其性能。第五章将ARAFS算法与CSEN方法结合,在Moore数据集上采用精细指标考察其实际的流量识别效果。最后一章归纳本学位论文的研究工作,指出进一步研究的工作方向。