射频指纹技术通过挖掘电磁波携带的辐射源个体差异性信息,实现无线个体识别,在无线网络安全认证、频谱资源管理、电子对抗等领域有着广泛的应用前景。本文研究了基于深度学习的射频指纹特征获取及辐射源个体识别方法。主要研究成果如下:（1）分析了射频指纹的产生机理,着重从射频放大器的频域失真和时域失真这两个方面,分析了可能构成射频指纹特征的因素。然后介绍可以表征信号非线性特性的双谱理论及基于有限观测数据的双谱估计算法,并给出了同型号不同个体的路由器WiFi信号双谱图进行直观对比。（2）提出了一种信号双谱与残差神经网络（Residual NeuralNetwork,ResNet）的射频指纹识别方法。首先,将采集到的不同设备的信号做双谱估计,得到双谱等高线图并打上设备标签,再使用搭建好的改进残差神经网络模型训练双谱等高线图,通过反向传播（Back Propagation,BP）与梯度下降来更新网络权重得到最优化模型,最后使用另外一组双谱等高线图验证识别性能。对实测的6台路由器WiFi信号实验结果表明,基于信号双谱与改进的残差神经网络算法在实际电磁环境下识别率达到93%,是一种有效的射频指纹识别方法。（3）提出了一种基于深度学习的多特征融合射频指纹识别方法。该方法在双谱和残差神经网络的基础上扩展,首先使用待识别信号时域、频域以及双谱这三种表示形式制作多视图样本数据集,分别搭建了复值残差神经网络提取时域复基带信号的指纹特征,实值残差神经网络提取频域和双谱特征。然后将三种神经网络的末端拼接后使用多个视图样本共同训练并保存最优权值数据,最后使用训练好的组合神经网络提取出测试集样本中多个视图的射频指纹特征输入分类器进行分类识别。通过三个视图组合的实验结果表明,在15dB信噪比下对6类WiFi信号的识别率提升到98.2%,能在同样数量初始样本的情况下较大幅度提升各信噪比下的识别率。