Internet技术的普及和流媒体应用的日益多样化使得音视频业务在网络数据流中的占比逐渐加大,这给网络带来很大的负担和安全隐患。如何有效分配网络带宽资源和保障网络安全是网络运营商(ISP)和网络监管部门对网络管理的一个重点。作为增强网络可控性的基础技术之一,音视频数据识别技术不仅可以帮助ISP依据不同的音视频业务提供不同的服务质量,从而优化资源分配,而且能够及时了解网络状况,保障网络安全。因此,音视频数据识别技术越来越成为近年来关注的焦点。本文主要研究两种主流的音视频识别技术,即基于深度包检测的音视频数据识别技术和基于机器学习的音视频数据识别技术。针对深度包检测方法在识别速度上的不足,本文提出基于特征库匹配算法改进的DPI音视频识别模型。模型通过会话和动态会话关联方法,保证了识别的准确和高效。同时,特征库匹配算法选择DFA引擎来提高识别速度,并选择分组算法减少DFA编译造成的状态膨胀。为了提高特征库匹配速度,本文从应用层协议分布特点和实际网络流量行为特征出发,研究流量环境信息对DPI检测性能的影响,提出了基于协议优先级和自适应网络流量调度的正则表达式分组算法。通过对比实验,验证了该分组算法在减少内存膨胀上具有良好的作用以及在匹配速度上比不按优先级分组和非自适应网络调度的算法占有优势,同时也验证了该模型的识别能力。针对机器学习方法在识别准确性上的不足,本文提出层次型KNN分类模型。由于分类的性能与算法本身有关的同时还随着分类类别增加而降低,通过分层方法可以减少分类类别的数目,让每一个KNN分类器识别特定的音视频业务,从而达到更为准确分类的目的。此外,找到能真实反映音视频流量本质区别的特征子集是分类器进行有效分类的关键。因此,本文提出基于ReliefF和一致性度量相结合的特征选择算法,为每一个分类器选出具有明显区分效果的特征组合。通过ReliefF算法去除部分非关键特征从而降低特征的维度,然后采取一致性度量算法过滤掉冗余属性。通过该方法,可以得到具有区分度的特征子集从而提高算法的分类精确度。通过对比实验,验证了本文提出的特征选择算法和层次型KNN分类模型在识别准确性上的优势。