网络流量分类是网络分析中的一个分支,它对提高服务质量和管理网络资源等起着重要作用。随着网络技术与互联网服务的发展,网络视频服务持续增长。为了更好地区分不同质量的视频服务和管理网络资源,对视频业务进行细粒度分类变得越来越重要。它能够帮助网络服务商提高服务质量（Qo S）,从而能够改善用户体验（Qo E）。本文提出了一种特征信息扩展方法,并将得到的双向特征信息和交叉特征信息转化为图片,应用卷积神经网络将图片所代表的网络流量进行分类,解决了输入信息可能不充分等问题。实验表明,该方法能够实现对网络业务的有效分类,准确率达到98.58%,优于其他两种基于深度学习的流量分类方法。对不同清晰度的视频业务分类可能性进行了探讨,通过对480p、720p、1080p的直播和点播数据进行分析,明确了他们在包密度、包数量等方面的差异,并基于此应用所提方法实现了对视频业务的细粒度分类,准确率达到92.8%。另外,进一步探究了对视频业务细粒度分类时,不同时长的视频流序列对分类结果的影响。结果表明,当使用大于60s的视频流量数据进行分类时,准确率能够达到90%以上。