工业4.0与5G技术使得大量智能物联网终端加入到网络中,在提升网络便捷性与多样性的同时也带来了诸多安全风险。接入认证是保证网络安全的第一道防线,然而由于智能终端多为小型化、低功耗,难以支持传统的基于密码的安全技术对计算复杂度与存储容量的需求。基于物理特征的认证方法因其轻量化、负担集中于认证侧等特点,非常适用于近距离且拥有大量物联网终端的边缘计算场景。但基于物理特征的认证由于其利用设备或信道的物理特征所具有的随机性和唯一性对设备进行认证,导致其具有以下问题:外界噪声对结果干扰较大、对样本量需求较大、物理特征难以提取、认证准确率不高、认证效率低等问题。针对这些问题,本文开展了如下研究:提出了射频指纹特征的优化相参积累降噪方法,可以在不额外需求相参样本的情况下有效地消除硬件波形中的随机噪声,同时去除信道中的高斯白噪声。在使用多分辨率分析控制计算复杂度的基础上,在低信噪比的情况下,不增加识别复杂度,提高了分类精度。本文用推导和实验证明最优高斯支持向量机的核尺度和分类波形的特征维度之间存在正相关关系。通过广泛的实验,本文比较了所提出的方法的优缺点。提出了基于伪随机整合的射频指纹数据增强识别方法,借鉴基因工程中DNA的随机整合,随机挑选提取的特征数据进行整合得到额外的训练数据。与传统方法和随机整合相比,伪随机整合提高了平均分类精度,消除了特征数据训练中的不稳定性。通过对传统整合方法、随机整合和伪随机整合的对比实验,展示了基于伪随机整合的数据增强方法的射频指纹识别结果稳定、识别率高。此外,该方法还可以应用于信号处理和其他一维数据处理中的数据增强。提出了基于一维卷积的信号特征提取算法,考虑边缘计算系统中终端认证的轻量化需求,有效地提取出了信号的波形变化特征。在提高认证准确率的同时,避免了卷积神经网络重复训练优化带来的高复杂度。仿真实验表明,该算法在低信噪比的情况下提高了分类精度,同时将机器学习的训练时间控制在一个可接受的范围内,从而提高了边缘计算接入认证的效率和认证准确率。在拥有海量智能终端的边缘计算系统中,合理分配分类任务可以大大提高运行效率,充分利用计算资源,节省分类时间。针对基于无线信道特征的接入认证协同决策,考虑将单个样本分成若干组,根据每组的预验证准确率分配权重,并通过权重投票得到最终判决结果。该方法可以有效地提高认证精度,并成功摆脱协同决策需要多个接收设备的限制。利用该方法,一个设备就可以完成整个投票决策。同时,它充分利用了接收数据的每一个样本点。此外,它适用于边缘计算系统,可充分利用边缘计算和网络资源,最终减少运行时间。通过工厂环境下的移动场景的接入认证实验,证明该方法在原有方法的基础上在认证准确率上有着较为明显的提升。综上所述,本文提出的几种算法在物理层接入认证的研究领域解决了部分存在的问题,优化了认证的准确率与效率。设计了广泛的仿真与实地实验,仿真采用的数据集大多已公开,实验选用真实场景,具有可比性和可重复性。同时,本文的方法并非仅局限于物理层接入认证,亦适用于如信号处理等其他领域,具有一定的可借鉴性。