基于深度学习的加密流量分类方法中的分类模型大多是深层直筒型结构，存在梯度消失的问题，且网络层数的增加会使模型结构和计算的复杂度显著上升。为此，提出了一种基于改进Inception-ResNet的加密流量分类方法。该方法通过改进Inception模块，并将该模块作为残差块以残差结构连接的方式嵌入卷积神经网络来构建分类模型；此外，改进分类模型的损失函数，并使用VPN-nonVPN数据集来验证所提方法的有效性。实验结果表明，所提方法在2种场景的分类实验中的精确率、召回率、F1值分别达到了94.21%、92.53%和93.31%以上。在与其他方法的对比实验中，以分类难度最大的12分类实验为例，所提方法比C4.5决策树算法和1D-CNN（1 Dimensional-Convolutional Neural Network）在精确率上分别高出13.91和9.50个百分点，在召回率上分别高出14.87和1.59个百分点。与CAE （Convolutional Auto Encoding）和SAE （Stacked Auto Encoder）等方法相比，所提方法虽然在各项指标上没有明显提升，但在单次训练时长上却有明显缩短，充分表明了所提方法的先进性。

针对卷积神经网络（CNN）中的传统池化算法不能很好地考虑到池化域内每个元素与该池化域所含特征之间关联性的问题，提出一种基于高斯函数的池化算法。首先根据池化域内各元素的值和所有元素的最大值计算高斯函数的三个参数值，然后运用高斯函数计算池化域内所有元素的权重，最后根据这些权重对池化域内所有元素值计算加权平均值，并以此作为池化结果。选择LeNet5、VGG16、ResNet18和MobileNet v3作为实验模型，在公开数据集CIFAR-10、Fer2013和德国交通标志识别基准（GTSRB）上进行实验，并与最大池化、平均池化、随机池化、混合池化、模糊池化、融合随机池化和soft池化这七种池化算法进行对比。实验结果表明，所提算法在三个数据集上相较其他算法在精度方面均有0.5个百分点到6个百分点的提升，且在运行效率方面优于上述除最大池化和平均池化两种池化算法外的其他池化算法，从而验证所提算法有效且具适合应用于对运算时间要求不高但对精度要求较高的情况。