随着信号处理技术的迅猛发展,信号调制方式越来越多,射频设备不断增加,电磁环境愈发复杂。传统调制识别技术已难以满足辐射源个体识别需求。基于信号指纹的辐射源个体识别技术利用由不同发射机硬件差异导致的特征,可解决同类型、同型号甚至同批次辐射源的识别问题,是当前该领域的研究热点之一,具有广阔的应用前景。本文从辐射源信号指纹形成机理入手,分别研究由功率放大器、调制器、频率源等重要硬件以及发射机整体等带来的信号指纹,给出相应的信号指纹定义和提取方法,进而结合机器学习完成辐射源个体识别。论文主要工作如下:1.分别建立无记忆效应和记忆效应功率放大器行为模型,在此基础上,针对窄带信号激励条件提出了一种基于功放非线性的辐射源个体识别方法。该方法无需事先获知功放激励信号,直接根据接收信号重建功放输入信号,进一步估计出功放模型系数作为信号指纹,然后采用支持向量机完成辐射源识别。搭建实验平台进行方法验证,对同一型号同一批次的3个功率放大器进行实验,结果表明,接收信噪比大于11 dB时,识别正确率高于90%,所提方法可有效完成个体识别。在宽带信号激励下,功放特性表现为有记忆性,为此,给出一种基于功放预失真误差的辐射源个体识别方法,该方法针对移动通信网络常用的预失真功放结构,整体考虑预失真器和功放的特性,提取功放预失真误差作为信号指纹,由神经网络分类器完成个体识别。仿真结果表明,不同辐射源功放存在明显差异,采用该方法能够提取稳定的信号指纹,有效识别辐射源个体。2.针对辐射源发射机调制器畸变导致星座图的偏移、频率源偏差导致星座图的旋转与幅度衰减的现象,提出一种基于调制器畸变与频率源偏差的WLAN设备识别方法。该方法在深入分析IEEE 802.11a/g协议的基础上,提取接收信号载波频率偏差与信号误差矢量幅度作为信号指纹,并由神经网络分类器完成个体识别。利用通用软件无线电设备USRP B210和GNU Radio搭建了IEEE 802.11a/g设备个体识别实验平台,实验结果表明,所提方法对无线设备个体的识别率大于90%,获得了良好的识别效果。3.针对现有研究对发射机整体特性的研究多局限在理论分析与实验条件下的测试,缺少实际应用的问题,研究了一种基于信道状态信息处理的多通道WLAN设备识别方法。该方法在深入分析信道状态信息的基础上,选取解卷绕相位作为信号指纹,并通过神经网络分类器进行个体识别。利用信道状态信息工具搭建IEEE 802.11n设备个体识别实验平台,实验结果表明,所提方法对多通道无线设备个体的识别率大于80%。