考虑到当前互联网用户数量的快速增长,各种新的网络应用程序层出不穷以及网络环境愈加复杂的现状,识别网络应用程序是如今网络流量识别技术里更细粒度、更深层次的分析与识别方法。网络应用程序分类作为网络管理的基础和前提,在网络监控、网络安全、日常运维、流量计费、提升用户体验等方面具有重要的不可替代的作用。近年来通过提取网络流量特征,利用机器学习和深度学习方法来识别网络应用程序是目前主流方法。但提取出的网络流量特征复杂且冗余,因此通过特征工程对特征进行选择是网络应用程序识别与分类任务的第一步。然而,在原特征集上使用不同的特征选择方法处理得到的不同特征子集对分类算法的时间性能和分类准确率有很大的影响。如何找出一种简单、规范、高性能、高准确率的特征选择算法,是本领域的重要工作之一。本文提出了一种基于组合式特征选择的网络应用程序分类方法,该方法首先组合特征重要性筛选法和递归特征消除法对特征进行筛选,然后再使用皮尔逊相关系数法进一步丢弃冗余特征。实验结果表明,在公开的网络数据集上与传统特征选择法中的方差选择法、递归特征消除法以及基于L1正则项的逻辑回归特征选择法相比,组合式特征选择方法在分类准确率上有0.5%～3.0%的提升,运行时间平均缩减50%以上。在使用组合式特征选择法选择有效特征来提升分类模型的性能和准确率之后,如何进一步提升网络应用程序分类的效果并提高模型的泛化能力是本研究的另一工作。由于模型融合方法具有理解容易、实现简单、效果好等优点,本文在保留这些优点的基础上借鉴了特征工程的思想,提出了一个双层的模型融合算法。该算法的第一层融合了多种不同的分类模型对原始数据进行训练和预测,然后保存这些模型预测结果的概率值,即该模型预测当前数据最可能属于某类的概率。接着第二层将这些概率值作为新特征加入到原数据集中生成新的数据集,再使用单一模型在该新数据集上完成网络应用程序分类任务。考虑到算法过程中有新特征的生成,但新特征和原始特征性质不同,因此本文把该算法称为基于伪特征的模型融合算法。在公开的网络数据集上,实验结果表明基于伪特征的模型融合算法与单一模型以及传统模型融合算法相比,具有更高的精准率、召回率和更低的漏报率。同时在多个网络应用程序种类和数量不同的数据集上,实验不仅验证了该算法具有较强的泛化能力,还确定了融合模型的最优基模型个数为3,这个超参数有助于提升算法在实际工程上使用的效果和效率。