随着智能城市、智慧农场以野外动植物监测等远距离、大规模的物联网技术需求增长,传统的物联网通信技术如RFID、ZigBee和WiFi等已无法满足现有应用要求。与此同时,随着无线通信技术的发展,低功耗广域网(Low Power Wide Area Network,LPWAN)应运而生,并且成为大规模物联网应用开展的强大助力。作为LPWAN的具体实现之一,LoRa(Long Range,LoRa)以其成熟的协议架构和在非授权频段使用的优势,成为工业界和学术界的研究热点。目前LoRa部署已经覆盖了越来越多的领域,如环境监测、目标定位、轨迹追踪以及无源感知等,随着网络部署的增多,LoRa信号源也随之增多,传输中LoRa信号彼此干扰的概率急剧增大。为了保证LoRa冲突信号得以正确解码、定位追踪信息可以及时识别,以及防止恶意信号源攻击,本文针对LoRa信号源的识别方法进行研究。主要研究内容如下:(1)LoRa信号预处理:由于扩频调制技术的使用,LoRa信号无法通过基于RSSI(Received Signal Strength Indicator,RSSI)的方法进行数据包提取。本文提出了基于信号互相关性的LoRa数据包检测方法TripleC,该方法能实现从存在其它LoRa干扰源的冲突信号中提取正确的数据包。(2)信号特征提取:本文分别分析LoRa信号在时域、频域以及时频域信号特点,同时结合分形学中分形维数的理论基础,提取出LoRa信号的幅度、IMF振幅、边际谱、盒维数以及信息维数作为描述不同信号源的特征集合。(3)提出了基于多特征的LoRa信号源识别方法Mu-FA:本文将提取的多特征集合与机器学习分类器结合起来对不同LoRa信号源进行识别,在真实实验场景中验证多种特征组合和不同分类器的信号源识别结果,并与现有方法比较,实验结果证明即使在干扰较多的室外环境中,Mu-FA也能在识别10个信号源时达到70%的准确率。