为了解决现有加密恶意流量分类方法现多存在的特征表达能力受限、噪声敏感性强、模型泛化能力不足的情况，该研究提出了一种使用三维二阶马尔可夫矩阵图像进行深度学习分类(Deep learning classification using three-dimensional second-order Markov matrix images,DLC-TSM)的加密恶意流量分类方法。通过将三维二阶马尔可夫概率矩阵特征变换与深度学习相结合，将原始网络流量转换为RGB特征图像，再结合创新的阈值过滤算法增强特征表征能力，采用深度学习神经网络对生成的图像特征进行深度挖掘，实现流量类别的精准识别。实验结果表明，该方法在三个不同场景的四个加密恶意流量数据集上验证了该方法有效性，分别达到了99.33%、99.07%、97.98%、98.17%的最好准确度。DLC-TSM有效解决了加密流量特征提取与分类精度间的矛盾，其图像化表征策略为流量分析研究提供了新的技术路径。