随着互联网技术的飞速发展，９５％的流量使用ＳＳＬ／ＴＬＳ协议进行加密，其中隐藏着大量的恶意流量。由于网络流量体量大、加密数据的不可见性，使得如何在不解密的前提下，检测加密恶意流量的研究成为一个重要课题。现有的基于模式匹配的方法，无法处理加密流量。基于统计特征和时序特征的方法，依赖专家经验，需要花费大量的时间，人工提取特征。文章将深度学习算法与加密恶意流量检测领域相结合，首先，对原始的网络流量进行切分、清洗、转换和修剪，变为统一长度的一维序列；然后，自定义ＴｅｘｔＣＮＮ网络结构，通过多组一维卷积自动地从原始流量中提取上下文特征，并利用这些特征对流量进行分类。为了证明该方法的有效性，使用真实的网络流量样本进行实验，并与ＣＮＮ、ＬＳＴＭ和ＧＲＵ等网络模型进行对比。实验数据显示，文章提出的方法，在未知数据上具有较强的泛化能力，检测精度高，且误报率低。