信号指纹旨在提取无线信号中由无线发射电路特异性和其发射电路元器件非理想性所引起的、能够用于识别无线发射机的微小形变。传统信号指纹提取方法基于预设的确定公式进行,存在着先验信息要求高,适用范围有限等问题。本文将针对上述挑战,基于无线信号数据应用深度学习技术在低先验信息条件下进行信号指纹提取,分别从基于深度学习的信号指纹提取、深度学习网络优化和无线发射机识别验证这三个方面展开研究。论文的主要贡献和创新点如下:1.提出了一种基于卷积深度置信网络的信号指纹提取方法。论文在对卷积深度置信网络模型、信号预处理方法、卷积深度置信网络训练研究基础上,形成了基于卷积深度置信网络的信号指纹提取方法。通过仿真验证证明了基于卷积深度置信网络进行信号指纹提取的可行性,并给出了提取的信号指纹的分辨能力。2.为降低信号指纹提取耗时、提升信号指纹的分辨能力,针对信号指纹提取所使用的卷积深度置信网络进行优化。具体来说,针对卷积深度置信网络的组成元素卷积受限玻尔兹曼机的结构和训练目标进行优化,使得提取的信号指纹具有更高的分辨能力;针对卷积深度置信网络参数和卷积受限玻尔兹曼机参数进行优化,使得其能够在更短的时间内提取出有效的信号指纹。在参数优化过程中,基于无线发射机识别准确率和综合评判指标完成了卷积深度置信网络和卷积受限玻尔兹曼机参数设定值的选取工作。3.在仿真场景和实际应用中基于无线发射机识别准确率验证了提取的信号指纹的有效性和分辨能力。针对本文提出的随机发射机、相似发射机和部分同质发射机三种仿真场景分别设立了三个验证目标:基于卷积深度置信网络信号指纹提取的可行性及提供参数优化评判标准、提取的信号指纹在近似实际情况下的有效性与分辨能力和在传统信号指纹提取方法无法进行时能否基于卷积深度置信网络提取出有效的信号指纹。结果表明,在不同仿真场景下基于卷积深度置信网络提取出的信号指纹具有良好的分辨能力,当信噪比为OdB时无线发射机识别准确率在70%以上。针对实际应用场景,分别在存在样本信号集和不存在样本信号集条件下探讨了无线发射机的识别问题。结果证明,在实际应用中基于卷积深度置信网络提取的信号指纹能够很好的完成无线发射机识别工作。此外,基于实际采集的通信信号简要分析了基于卷积深度置信网络提取的信号指纹的特性。