随着现在移动互联网的飞速发展,各种各样的无线设备越来越多。在这种环境下,对于无线网络的安全要求越来越高。但是攻击者往往能够通过多种攻击手段伪装成合法节点接入无线网络中,然后破坏、窃听和控制无线网络。为了能够更好地防御这些攻击,需要更加可靠的设备认证技术来识别接入网络中的设备的身份。已有的研究表明,从设备的软件层面或者硬件层面可以提取各种独特的设备指纹。软件指纹不稳定,会随着计算机的配置变化而改变;而物理指纹则较为稳定,只跟设备的物理特征相关。在以前的设备物理指纹技术中,确定要提取哪些特征是一大难题。在很多声纹识别的研究中使用卷积神经网络（Convolutional Neural Networks,CNN）自动提取语谱图中存在的声纹特征。由于设备物理指纹与声纹具有非常相似的性质,为了能够更加方便地提取特征,可以借鉴声纹识别的研究方法,使用CNN自动提取设备的物理特征。本文的主要研究成果有以下三点:（1）本文受到之前关于物理特征的设备指纹和声纹识别的研究启发,提出了一种基于语谱图和CNN的设备物理特征指纹提取和设备认证的方法。在本文的方法中,首先采集设备在振动期间的加速度传感器数据,并使用这些数据生成包含设备物理特征的语谱图,然后使用CNN提取语谱图中的物理特征并得到分类器,接着使用学习了设备物理特征指纹的分类器识别特定设备的语谱图,最终达到设备认证的目的。本文在限定条件下的理想环境中对4个设备进行了分类实验,最后分类的准确率达到了99.17%。（2）为了应对节点伪装攻击,本文设计了一种利用物理信道的设备认证方法。在这种方法中,特别地设置了第三方可信的专用认证节点,并且在被认证设备振动时采集认证节点上的加速度传感器数据,采集过程中两个设备保持物理上的直接接触。然后认证节点通过可信的信道将数据传送给中心节点。最后中心节点使用原始数据生成语谱图,并使用CNN提取语谱图中的设备指纹用于设备认证。本文通过实验证明了这种方法的可行性和有效性,将1个设备模拟为认证节点,并使用该方法将其他3个设备的分类,最终分类的准确率达到了100%。（3）为了构造能更好地表现设备物理特征的语谱图,本文详细地研究了设备振动、传感器的采样频率、传感器的数据选择和设备之间细小差别等多种因素对于语谱图的影响,并且通过设置不同的实验论证了不同因素对于设备指纹提取和设备认证的具体影响。