基于无线设备射频指纹特征的识别是无线设备身份认证的一种物理层解决方案。随着无线网络的发展与安全威胁的日益俱增,射频指纹识别具有唯一性、稳定性和不可克隆性等优势,能够提供优于传统无线网络的认证方法,减少受到恶意攻击等威胁。现有的关于射频指纹特征的研究中,已经研究了许多信号特征,但是利用发射系统中功率放大器的非线性特征提取设备指纹从而实现设备识别的几乎没有。而功率放大器作为影响通信系统性能的关键部件,由于其正常工作在饱和区域,会产生非线性效应。此外,由于其生产工艺偏差造成的每个器件间都有差别,因此功率放大器存在独特且稳定的物理层射频指纹特征。基于此,本文提出基于信号发射机中功率放大器的非线性特征提取设备指纹特征的方法。首先,给出了对功率放大器模型非线性特征系数的估计方法,并以此作为设备的指纹特征。其次,利用不同的分类算法基于放大器非线性的特征对设备进行分类识别。通过仿真实验和实际测量,证明这一特征能够用于无线设备的分类和识别,且识别准确率较高。本文主要工作如下:·对无记忆效应的多项式模型非线性特征系数采用最小二乘法估计实现了非线性参数的提取。经过仿真实验验证,该方法可以准确估计无记忆效应多项式模型的非线性特征系数。对有记忆效应的多项式模型,将记忆多项式模型表达式以线性矩阵方程形式来表示,将系数提取转化为矩阵方程求解问题,实现对记忆多项式放大器模型系数的提取。此外,引入矩阵QR分解,进一步优化模型系数求解过程。·引入了一套量化评估的标准对模型系数提取的结果进行评估,通过MER（记忆效应比）和MEMR（记忆效应建模比率）以及RMSE（均方根误差）三个因数评估所得结果的准确度。·提出了一种新颖的基于广义Akaike信息准则的记忆多项式功率放大器模型的记忆长度估算方法,能够在估算记忆多项式模型系数时,预先求得模型的记忆长度,提高了系数提取工作的精准度和计算效率。·探究了信道条件对功率放大器模型系数的影响,分析了信道均衡对记忆效应的影响程度。发现信道条件会使得所求功率放大器模型的非线性特征系数发生较大变化。虽然信道均衡能够减小由信道引起的偏差,但会将部分记忆效应消除,导致信道均衡后的估计系数不能做到与经过信道之前完全相同,进而会影响识别准确率。·通过仿真实验和实际测量证明了功率放大器的非线性特征系数这一指纹特征能够用于无线设备的分类和识别,且识别准确率较高。采集了ZigBee信号、Wi-Fi信号以及LTE的RACH前导信号三种不同类型的信号,采用LDA、SVM、KNN三种分类算法进行分类识别,其中LDA分类算法和SVM分类算法在三种类型的设备中分类准确率都高于90%,对于ZigBee设备,表现最好的分类算法为LDA分类算法,准确率为93.9%,而对于LTE的RACH信号设备和Wi-Fi信号设备,SVM分类算法的表现最好,分类准确率都高达99%以上。