在现代化战场中,获得电子战的主动权是战争胜利与否的关键,而电子战中最重要的一环就是对敌方的侦察,因此对无线网络设备等通信个体进行识别就成为了重中之重。随着电子科学技术的发展,各式各样的无线网络设备被应用到了战场,与此同时,战场上的电磁环境也愈加复杂多变,这些都给个体识别的任务增加了挑战,传统方法渐渐地不能满足现代战争的需求。在这样的背景下,本文以实现无线网络设备个体识别为目的进行研究,将迁移学习、深度学习等应用到了个体识别领域,主要研究工作如下:(1)分析了无线网络设备个体的指纹来源并研究了无线帧的类型,然后模拟实际环境,搭建硬件实验平台,采集无线网络设备个体产生的各种无线帧信号并进行数据预处理工作,为全文工作奠定了基础。(2)基于暂态特征的无线网络设备个体识别。首先对信号起始点的定位进行了研究,使用并比较了短时能量检测法和模糊熵检测法两种信号起始点定位方法。接着使用了基于Hillbert变换和最小二乘多项式拟合的方法得到暂态信号包络,随后提取了暂态信号包络的数学特征,同时使用熵值定权法确定了特征的权重,得到了暂态信号的特征矢量。最后在相同型号和不同型号的无线网络设备个体上进行了实验,证明了方法的有效性。(3)讨论目标域数据和源域数据都存在的情况,提出了一种归纳式的基于实例的迁移学习方法——改进的Tr Ada Boost算法,该算法从初始权重设置和权重更新速率两个方面对Tr Ada Boost算法进行了优化,实现了个体识别任务中源域知识到目标域的迁移,降低了Tr Ada Boost算法负迁移、过拟合的风险。实验结果显示该算法相比于改进前识别效果提升明显。(4)讨论没有源域数据可供迁移知识且对目标域数据标注困难的情况,提出了一种结合卷积神经网络、生成式对抗网络、基于模型的迁移学习的个体识别方法。首先设计出一种能对目标域数据进行分类的卷积神经网络,然后将目标域中无标签的数据输入生成式对抗网络进行无监督的预训练,接着将判别网络的模型迁移到卷积神经网络中,最后使用有标签的数据对卷积神经网络进行微调。实验表明,在无源域存在的情况下,依靠这种方法可以有效地解决“小样本”、“少标注”情况下识别率较低的问题。