在网络流分类实践中,网络运营商通常只需要知道网络流所需的服务类别（Class of Service,CoS）,就可对网络流优先级和资源分配做出决定。为了满足用户对体验质量的需求,采用了面向服务等级的网络流多任务分类方法;该方法是直接进行面向CoS的流分类,而不需要推断应用类型。本文提出面向服务等级的多任务学习框架,利用领域知识定义宏特征组及应用合作博弈中的Shapley value模型和皮尔森相关系数合理筛选特征,对筛选出的特征映射为CoS任务,并用决策树分箱来解决CoS阈值划分问题。采用真实网络数据集进行实验,通过在少量标记数据的情况下,优化网络参数和调整各网络模型时间损耗和分类准确性的稳定相关系数。结果表明,该方法分类准确度和时间消耗性能优于现有文献方法。同时分析了多分类实验结果并给出有关建议。本文的主要工作如下:（1）筛选出合适特征映射为CoS任务,包括基于领域知识将特征分为宏特征（Macro Feature,MacrF）,对每类MacrF进行Shapley Value（SV）分析,根据特征集在可解释模型中的贡献作用,从所有特征集中筛选出对于模型算法贡献最突出的特征子集。同时分析特征子集之间的皮尔森相关系数,为面向服务等级的网络流多任务模型（Multi-task Modelfor Class-of-Service Network Traffic Classification,MTM-CoS）选择出贡献最大的特征,这样既可以减少模型算法的时间消耗,又可以增加模型的可解释性。（2）对筛选出的特征进一步映射为CoS任务,与现有方法从用户角度和获取特征难易程度来选取CoS任务不同,本文方法提出选取CoS任务的合理性。分析每个CoS任务的分布情况,利用决策树分箱（Decision Tree Binning,DTBin）算法优化每个CoS阈值（CoS Threshold,CThre）的划分,提高总体准确性。现有方法通过直方图和线性计算来划分阈值,容易导致在预处理部分增加错分率。本文中通过DTBin合理化阈值划分,能够有效减少误分率。（3）在 ISCX 与南邮数据集（Data set of Nanjing University of Posts and Telecommunications,ND）上,分别对单任务卷积神经网络（Convolutional Neural Networks,CNN）、迁移学习（Transfer Learning,TL）和MTM-CoS进行实验,并与现有文献进行准确度、时间损耗性能对比。实验结果表明MTM-CoS继承深度学习（Deep Learing,DL）自动提取特征的优点,又能在少量标记数据的情况下就可取得不错的分类准确性。同时优化网络参数,调整各网络模型时间损耗和分类准确性的稳定相关系数。