通信和计算机的飞速发展给通信设备指纹识别技术带来诸多的应用场景,该技术在电子对抗、无线网络安全等领域具有重要的意义,近年来被广泛研究。通信设备指纹识别技术主要依据设备发射信号上表征出来的区别于其他设备个体的指纹特征,建立特征与硬件设备个体之间的联系,从而实现对通信设备个体识别的目的。本文针对通信设备指纹识别相关的若干关键技术进行研究,包括信号采集、信号特征提取和通信设备分类器设计,以设备的暂态信号识别、基于集成学习和深度学习的通信设备指纹识别为主要研究内容,给出了通信设备指纹识别方案,所提方案均通过实测数据验证,主要工作包括以下几个方面:(1)针对通信设备暂态信号,给出了一种利用信号短时周期性的算法。在将暂态信号映射成概率分布的过程中,利用对讲机暂态信号具有的短时周期性,对特征提取方式进行改进,并通过对称K-L散度量化两特征之间的差异,实验结果显示在实测的6台对讲机信号中,型号平均识别率超过98%。(2)实现了稳态信号的特征提取。分析了自编码器特征和四种积分双谱特征,并对其进行可视化,结合Softmax回归模型在手机信号数据上进行实验,实验表明组合积分双谱特征相较于其他特征具有更好的区分度。(3)基于集成学习的通信设备个体识别技术研究。研究了基于极端梯度提升(eXtreme Gradient Boosting,XGBoost)分类模型的通信设备个体识别方案。构建stacking分类模型,利用多个参数不同的梯度提升树(Gradient Boosting Decison Tree,GBDT)模型作为stacking分类器的初级学习器,综合实测数据的识别结果,stacking分类模型相较于GBDT分类模型的识别率有2%左右的提升。(4)研究了基于深度学习的手机稳态信号识别。设计并构建深度神经网络(Deep Neural Network,DNN),对经过积分双谱特征预处理的信号做进一步的特征提取和识别,并将输出结果与其他分类器作比较。结果表明,采用DNN结构后6台手机的平均识别率均超过99%。