视频流量是网络流量的重要组成部分。视频流量含有丰富的信息,这使得视频流量的检测与识别具有非常重要的应用意义,如何有效的检测视频流并分析其内容已成为一个亟待解决的问题。因此,本文主要针对视频流量识别和视频内容分类两大问题开展研究,主要工作如下:(1)网络流量预处理,对乱序报文和重传报文进行保序。通过设计有效的流表组织结构,然后利用保序窗口对网络中的乱序和重传报文进行处理。这一方法保证报文具有正确的顺序,为后续视频帧还原奠定基础。(2)对主流网络视频传输协议的传输特征和报文特征进行了深入研究与详细分析,总结了RTSP、RTP、RTMP等主流的网络视频传输协议的特征,并提出了基于主流网络视频传输协议的视频流量识别方法,通过采集网络流量对提出的识别方法进行验证。实验结果表明,本文提出网络视频流量识别方法能准确地识别95%以上的相关视频流量,满足后续视频流量分析的要求。(3)设计基于视频单帧的卷积神经网络模型对UCF101数据集进行预测。该模型处理视频的方式是将视频帧视作图像,根据视频单帧中的静态特征对视频内容进行分类。(4)提出一种基于奇异值分解的长短时记忆网络对视频内容进行分类。该方法利用设计的卷积神经网络模型来有效提取视频的空间特征和光流特征,然后将空间特征和光流特征进行整合后构成视频的时空特征,利用奇异值分解方法对整合后的时空特征进行维数约减,最后将维数约减的时空特征输入到长短时记忆网络中进行模型的训练和预测。通过长短时记忆网络模型的训练能够进一步提取时空特征在时序上的特性,实现对视频内容更加有效的分类。本文提出的网络视频流量检测与视频内容分类方法可以有效的解决网络视频内容识别的问题,对实际应用具有一定的指导意义。