近年来,移动互联网已经成为人们日常生活和工作中不可或缺的重要组成部分,针对不同的移动应用类型提供差异化的QOS服务成为了网络运营部门的重要任务之一。基于隐私保护等安全目的,移动应用大多采用加密技术,这为移动应用的识别增加了挑战。因而基于密文流量的移动应用类型识别技术成为了国内外学术界和工业界的研究热点。本文以加密流量分析和深度学习相关技术为基础,针对移动应用类型识别技术中的数据预处理、加密数据流特征提取和加密数据流算法建模三个组成模块分别进行了改进和创新,具体内容如下:(1)针对不同移动应用产生的相似干扰加密流样本,提出了一种基于信息熵的聚类簇纯度分析算法。该算法首先利用DBSCAN密度聚类算法对所有加密流样本进行聚类分析,接着根据每个样本的真实标签计算每个聚类簇的信息熵从而为聚类簇进行纯度打分,最后根据实验合理设置熵阈值过滤信息熵较大的聚类簇样本,实现相似干扰样本的过滤。(2)针对加密数据流特征提取阶段,提出了一种将加密数据包头部信息和负载信息相结合的特征提取方案。该方案将加密数据流抽象为数据包时间序列,提取数据包头部的数据包长度、端口号、TCP窗口等明文信息作为数据包头部特征,计算密文数据负载的多个连续字节信息熵作为数据包负载特征,最终将数据流中每个数据包的头部特征和负载特征组合为特征矩阵,利用LSTM算法验证该特征提取方案的可行性和有效性。(3)针对加密数据流算法建模阶段,提出了一种将卷积神经网络和LSTM相结合的Convolutional-LSTM移动应用识别算法。该算法将加密数据流特征矩阵视为灰度图像,利用卷积神经网络捕捉相临数据包的局部关联性,利用LSTM算法学习加密数据流的时序信息,并应用Dropout和正则化惩罚解决深度学习中的过拟合问题,最终实现Android平台下的移动应用类型识别。本文提出的三个改进和创新能够有效的实现Android平台下的移动应用类型识别,实验表明算法具有较高的识别准确率和召回率,最后本文提出了方法存在的不足和日后的研究方向。