如今Wi-Fi在人们的生活和工作中几乎无处不在,且基于802.11协议衍生出的加密技术为通信传输的安全性和可靠性提供了保障。但是现实中存在恶意用户利用隐藏的视频采集设备,通过加密Wi-Fi实时传输拍摄画面到外界的现象,这些设备在“无形”中传输他人私密信息或企业机构机密信息等,且由于通信加密,传输信息不易被正常用户和网络管理员察觉,从而导致重要信息的泄露。针对这一问题,本研究提出了一种解决方法,通过识别加密Wi-Fi网络中各通信设备的流量统计特征是否符合视频采集活动的流量统计特征,来判断这些设备是否为视频采集设备。本文在不破解加密的情况下,通过对加密Wi-Fi环境下视频采集活动与其他通信活动的流量统计特征进行分析研究,基于其特征差异,来利用支持向量机进行建模学习得到分类器,以识别出视频采集活动的流量。本研究首先通过统计加密Wi-Fi环境下视频采集活动流量和其他通信活动流量的相关特征,分析出视频采集活动流量在速率、帧长度、上下行方向的帧分布等方面,与其他通信活动的流量都存在明显的差异,并利用结合CFS的特征选择算法,从候选特征集中选出了用于流识别的最佳特征子集;接着设计并实现了基于SVM的视频采集设备流量识别优化方法,考虑到本研究的训练样本中存在异常样本的情况,将一种训练样本筛选算法运用在了本研究的识别方法中,由此得到的分类器在分类速率和分类效果上都得到了提升,且比基于其他几种机器学习方法得到的分类器的识别效果要好;最后为了能够判断加密Wi-Fi环境中的通信设备是否为视频采集设备,基于得到的流量识别分类器,设计并实现了一套视频采集设备流量识别系统,并在真实环境中验证了该系统确实可以快速准确地检测出视频采集设备。本研究得到的流量识别分类器,其准确率高达97.04%,且假正率只有3.43%左右;基于该分类器实现的系统,经测试其对视频采集设备的检出时间仅18秒左右。