通信辐射源个体识别是近年来通信对抗领域一个重要的研究课题,它主要根据设备硬件差异在发射信号上表现出来有别于其他个体的细微特征,建立信号特征与辐射源个体之间的联系,从而达到识别辐射源个体的目的。该技术在无线网络安全、军事通信对抗和无线电监测等领域都具有重要的意义,但是仍然面临着诸多困难亟待解决,如辐射源个体差异小、特征提取困难以及高维特征选择等。本文主要围绕通信辐射源个体识别中的若干关键技术展开研究,包括特征提取与降维、特征融合以及个体分类识别,以辐射源个体的暂态特征识别、稳态特征识别以及基于深度学习的个体识别为重点研究内容,通过实测数据验证了所提识别方案的优良性能。论文所做的工作和创新主要包括以下几个方面:(1)实现了基于暂态特征的辐射源个体识别方案。利用贝叶斯检测器估计暂态起点,将多项式拟合暂态包络的系数作为暂态特征,结合主成分分析降维,用支持向量机分类器输出个体类别,对于3种型号6部对讲机,不同型号的平均识别率99.61%,个体平均识别率为94.87%。(2)研究了辐射源个体高维杂散的特征选择问题。通过改进的基于特征向量中心度的特征选择(EC-FS)算法,与目前最常用的Fisher、Laplacian特征选择算法比较,以可接受的时间复杂度的增加得到了更优的特征子集性能,且该算法对特征个数不敏感。(3)研究了判别相关分析(DCA)算法做多特征集的融合问题。将杂散特征和积分双谱特征做特征融合,并针对有噪声的环境下原算法识别率不高、稳定性差的缺点改进了DCA算法,实验结果表明,特征融合后6部手机个体平均识别率为91.7%,改进后的DCA算法在信噪比低于18dB环境下识别率比改进前有2%~3%的提升,且算法具有更好的鲁棒性。(4)探索了深度学习在辐射源个体识别中的应用。设计并构建了5层一维卷积神经网络(1DCNN),对双谱积分特征做二次特征提取,并与其他五种常用的浅层分类器比较,个体识别准确率比识别率最高的的随机森林分类器(RF)提升了5%左右,6部手机个体平均识别率达到99.07%。文中提出的基于深度学习的识别方案为通信辐射源个体识别提供了新的途径。