无线通信环境安全是信息社会下个人隐私安全、国家财产安全的根本保障。在5G网络到来之前,传统的物理层安全认证方案在网络挂载激增和计算能力不断提升的强压下,已经日渐暴露出安全认证的种种弊端。更甚至,随着网络环境的复杂化、动态化,现有基于无线信道特征的认证方法并不能有效适应网络环境的时变特性,从而无法保证安全认证的可靠性。为了充分提取无线信道特征,实现可靠、安全的轻量级物理层安全认证,本文着重研究了基于无线信道时序特征的、机器学习方法下的物理层安全认证方案,主要研究工作如下:1)本文首先针对无线信道特征,在特定条件下是否能够满足物理层安全认证的可靠性进行了深入研究。从分析现有单一信道特征属性的提取方法出发,针对其通用场景下判别阈值受限、受信道估计偏差影响严重等缺陷,指出了现有多维空间信道特征提取方法,对物理层安全认证方案鲁棒性和可靠性的改进。另外,针对多维空间特征认证方案,存在局限于身份认证过程建模的不确定性和未知动态性等弊端,研究了时序特征对身份认证识别率的影响,并在前人的基础上改进了两种信道时序特征提取方法。2)在假设只具备合法通信双方间的无线信道特征样本,而未知非法攻击者信道特征样本的条件下。由于现有物理层安全认证方案多基于二元假设进行认证问题建模,即概念上将物理层安全认证问题考虑成了信道特征分类问题,该问题建模方法存在模型时效性与训练样本均衡性等限制。因此,无法实现此假设条件下,对单一小样本的安全认证。为此,本文提出了一种基于长短时记忆网络(LSTM)的动态预测物理层安全认证方案,该方案有效的解决了样本数量少、种类单一和模型长时失效等弊端,通过预测对比下一时刻未知信道特征方法实现了物理层安全认证。最后,通过实测数据的验证,证明了该方案在样本受限情况下安全认证的有效性。3)在现有基于机器学习算法的物理层安全认证方案的基础上,本文将支持向量机算法(SVM)与信道时序特征的动态提取相结合,进行了相关身份认证方案的设计。具体地,文中首先建立了该方案下的物理层安全认证系统模型,并对认证流程进行了简要概述。接着介绍了一种新的信道时序特征提取方法——特征矩阵动态重构方案。随后,提出了基于自适应支持向量机算法(SVM)的物理层安全认证方案。最后,利用实测数据,在不同的参数设置下,验证了该方案的有效性。相比于已有的基于支持向量机算法和卷积神经网络的身份认证方案,安全认证性能上取得了很大的提升。