近年来,第五代移动通信技术在物联网中的广泛应用使得通信网络中终端连接数急剧增加,为保证终端间的通信质量,避免数据泄露,通信安全亟需得到保障。传统安全技术依赖高复杂度密钥,存在被暴力破解的可能。因而基于设备射频指纹的唯一性和不可复制性,本文研究了射频指纹识别技术,主要内容如下。本文研究了射频指纹的形成机理。搭建了发射机模型,分析了模型内频率振荡器、正交调制器和功率放大器等主要器件对射频指纹的影响及发射机总体射频指纹的特征。理论分析和数字仿真结果表明,相位噪声、同相和正交支路幅度失衡及非线性效应是射频指纹的主要成因。本文研究了基于稳态信号的射频指纹识别技术。对基于双谱变换、时频分析和经验模态分解的特征提取技术进行了原理分析,设计了算法流程。论文首先基于发端模型模拟的生成信号,采用典型分类器对比了选择双谱和积分双谱、短时傅里叶变换和魏格纳-威尔分布及各经验模态分量三组同类型特征的性能,理论分析及数字仿真证明,特征更典型、冗余更少的选择双谱、时频聚集性更佳的魏格纳-威尔分布和受噪声影响小、射频特征更丰富的第四、五组模态分量特征分别在各自维度取得了更高识别率;基于优选的特征,论文又对比了支持向量机、K近邻网络、袋装决策树和卷积神经网络等经典识别算法的性能,其中选择双谱和经验模态分量在支持向量机下识别率最高,魏格纳-威尔分布在卷积神经网络下性能更佳,形成了备选的三类特征-分类器组合。论文最后基于软件无线电平台的实测数据,对三种特征-分类器组合算法进行了性能验证和对比,数字仿真表明选择双谱抗噪能力较强,魏格纳-威尔分布识别率更高,而经验模态分解时间复杂度最小。本文研究了基于深度学习的射频指纹识别技术。针对训练集样本数不足的场景,基于生成对抗网络对训练集进行扩充,采用卷积神经网络测试了扩充后的识别性能,结果表明扩充训练集可有效提升识别性能,但受原训练集特征丰富度限制;对训练和测试集频偏、信噪比不同的场景,基于迁移学习理论构建了域自适应网络,与预补偿后的卷积神经网络对比了识别性能。结果表明,域自适应网络和预补偿算法均具备一定的迁移能力,在具备先验知识时预补偿算法性能更好;针对多类别分类场景,基于一对一和一对多的集成学习方案,采用投票机制组合多个分类器的分类结果,在实测信号上获得了优于单个卷积神经网络的识别性能。