特定辐射源识别(Specific Emitter Identification,SEI),是指对接收的电磁信号进行特征测量,根据已有的先验信息确定产生信号的辐射源个体的技术。在复杂多变的电磁环境中对侦察到的辐射源进行正确识别具有极其重要的军事意义。同时,随着5G和物联网时代的到来,无线网络的安全也迎来了巨大的挑战。辐射源个体识别技术可以应用于无线接入认证、电磁环境监管等项目中,可以有效地提高无线网络的安全。本文主要以功率放大器为例,对辐射源个体识别方法进行深入研究,具体研究内容如下。首先,本文对功率放大器不可避免的非线性和记忆效应进行了分析,并对功率放大器的非线性行为建模基本理论进行了研究。行为建模主要涉及无记忆Saleh模型、无记忆多项式模型和有记忆多项式模型。针对放大器行为建模,采集了BLT53A放大器的实测数据作为建模的数据基础。使用三种模型对放大器数据进行行为建模,对比分析得到一个最优的模型。将模型参数改变来模拟实际应用中近似的放大器,并利用该模型生成用于个体识别的仿真数据集。其次,本文研究了基于非线性特征提取的个体识别方法。利用生成的仿真数据集验证了方法的有效性,实验结果表明该方法可以有效地将八个放大器模型区分。在此基础上,采集了实际的八个相同型号和相同批次的放大器数据,并使用基于非线性特征提取的方法进行识别,深入分析了识别的影响因素,包括信号的FFT点数、分类器以及调制方式。实验结果表明,该方法在信噪比为20d B时,对八个放大器的识别率可以达到85%。最后,本文研究了基于图片与深度学习结合的辐射源个体识别方法。以等势星球图作为信号转变成图片的桥梁,得到图片数据集之后,利用深度学习方法进行分类。本文使用了Alex Net、Squeeze Net、Res Net-18和VGG16网络进行了分类识别。实验结果表明,该方法对设备的分类识别相比基于非线性特征提取方法获得了一定的提升,在信噪比为5d B时,识别率大于90%。