随着移动无线通信设备的广泛使用,无线网络容易受到窃听与干扰等安全威胁,因此如何利用发射机射频信号的细微差异来识别和跟踪射频（RF）设备是物理层安全领域的重要课题。针对高相似度射频设备发射的稳态（瞬态）射频信号特征提取困难,小波分析可以对频带精细划分从而提取更完备的指纹特征,多小波相比单小波而言,可同时拥有正交、对称和高阶消失矩等优良性质,因此本文探索了基于多小波包子带分解的特征提取方案。本文基于多小波理论,结合高重数有限元多小波优良的时频特性展开研究,根据实际应用场景提出基于多小波包分解的大（小）样本识别系统,进一步拓宽多小波在信号处理上的应用,本论文完成了如下研究工作:1.研究有限元多小波构造和多小波包分解相关理论,重点说明构造高重数有限元多小波的尺度系数矩阵和小波系数矩阵的过程,从经典Mallat原理上对比多小波包分解和多小波分解的差异,为下一步特征提取奠定基础。2.本文在传统循环谱-图域特征提取方法基础上提出基于有限元多小波的小样本射频指纹识别系统方案,从而解决同类型设备射频信号的行索引特征序列在循环频率重叠点行索引特征序列相同的问题。由于多小波重数增加会导致提取的指纹特征维度较高,使用PCA对分解后的子带进行优选,并从理论上说明多小波分解子带算法相比DFT分析滤波器有较低的计算复杂度。3.本文提出大样本条件下的多小波—LPC特征提取方法,并且对比分析Cusum算法、方差轨迹起始点、分形贝叶斯和LPC滑动窗瞬态信号起始点检测算法。然后使用高重数有限元多小波进行子带分解并提取线性编码LPC系数特征,为了消除冗余性,采用LDA对特征向量进行降维,并分析了降维前后特征向量的可分离度指标,仿真对比有限元多小波和GHM多小波四种情况下蓝牙信号的正确识别率说明高重数带来的优势。此外,为了证明LPC特征提取方法适用于多种分类器,设计KNN、随机森林和SVM三种机器学习分类器,更加强烈地说明高重数有限元多小波在特征提取方面的显著优势。综上所述,本论文提出的基于有限元多小波的射频指纹特征提取系统相比经典GHM多小波和单小波系统,在稳态信号集和瞬态信号集上可以实现整体识别性能的优化。