随着互联网技术的发展，对加密流量进行高效分类成为网络管理的重要手段，但现有的分类技术对加密流量的特征提取不充分，且仅关注单一的局部特征或全局特征而忽略了两者之间的有效融合，导致分类准确率较低。针对上述问题，提出了一种融合局部-全局特征的加密流量分类模型(local-global fusion model for encrypted traffic classification, LGF-ETC)。为解决特征提取不充分的问题，设计了特征增强模块(feature enhancement module, FEM),用于增强加密流量特征，以便在后续模型中对特征进行充分捕获；针对局部与全局特征的融合问题，从Swin Transformer网络中提取核心模块用于捕获全局特征，并设计了多尺度局部感知模块(multi-scale local perception module, MSLPM),将其嵌入Swin Transformer核心模块中，以捕获多尺度局部特征，进一步将两特征进行充分融合。实验结果表明，本文LGF-ETC模型的分类准确率达到98.87%,显著改善了现有模型在特征提取和特征融合方面的不足。