随着网络业务类型的多样化发展和网络资源部署规模的快速增长,流量分类技术在网络资源调配,网络安全防范等方面发挥着至关重要的作用。基于深度学习的流量分类方法往往需要大量有标签数据集才能体现出卓越的性能,然而收集和标记大量数据集需要耗费巨大的时间和人力成本,并且互联网技术的不断革新加快了网络环境的变化速度,导致费时费力收集的样本面临过时的风险。针对上述问题,本文借助迁移学习的思想,提出一种基于深度神经网络和半监督学习的流量分类方法,利用皮尔森相关系数筛选出相关性较小的90个流统计特征,降低误分类概率,通过模型迁移和半监督训练的方法,首先在大量无标签老样本集上预先训练模型,训练完成后将其迁移到一个具有更多线性层的新模型上,新模型的一部分已经观测到大量流量类别的输入输出映射关系,因此只需要少量有标签数据对其重新训练。实验结果表明,所提方法利用整个数据集中40%的有标签样本,达到98.3%的分类准确率,有效减少了深度学习模型对有标签样本数量的需求,避免了过时老样本的浪费。本文比较不同数据集中的特征概率分布,分析不同数据集之间的概念漂移现象,将有标签数据按照20%、40%、60%的比例混入无标签数据集中,探究概念漂移幅度对模型分类准确率的影响。实验结果表明,所提方法在数据集发生不同幅度概念漂移现象时,分别达到98.5%、98.6%、99.2%的总体准确率,当有标签数据集中出现新类（预训练无标签数据集中不存在的类）时,所提方法的分类准确率为93.8%,与其他文献方法相比有明显提升。本文还探究了不同包长度序列对模型性能的影响,结果表明,短包序列比长包序列更难分类。