传统基于密码学的认证技术已经难以保证通信系统的安全,而物理层认证技术可以利用无线信道、射频指纹进行认证,极大地提高了安全性和可靠性。目前有很多使用单特征参量进行物理层认证的方案,但由于受噪声,环境,不完备估计等影响,提取的参量具有一定的波动性,难免有局限性。为了更高的检测性能,本文提出基于信道状态信息（Channel State Information,CSI）和载波频率偏移（Carrier Frequency Offset,CFO）的联合认证方案,兼备CSI无线信道特性和CFO硬件射频特性,充分反映了信道和硬件的特性,提升认证性能。本文的主要内容分为三部分:1.提出基于假设检验的联合认证方案。利用似然比检验分别对CSI和CFO构造检验统计量并推导检验统计量的概率分布,通过虚警概率给出了用于认证的检测门限。对CSI和CFO的认证结果进行联合判定,当其中一个参量判定为非法时,便判定为非法用户,以此设计出一个更严格的检测器。仿真结果表明,相较于单参量认证,提出的联合认证方案对非法用户检测性能更佳。2.假设检验方案的最优检测门限确定难,故引入机器学习,提出基于特征融合的机器学习联合认证方案。特征融合方式可分为数据融合和检测结果融合,分别提出了特征组合认证方案和集成学习认证方案。特征组合认证方案先是拼接组合CSI和CFO的数据,再用经典的K近邻（K-Nearest Neighbor,KNN）算法进行分类,为了有更好的分类性能和鲁棒性,进一步使用卷积神经网络（Convolutional Neural Network,CNN）算法。针对数据融合方法会出现的数据冗余与冲突等问题,提出了利用集成算法将CSI和CFO的检测结果相融合的集成学习认证方案。将自适应增强（Adaptive Boosting,Ada Boost）算法与KNN和CNN相结合,提出Ada Boost-KNN与Ada Boost-CNN算法。常规的Ada Boost算法与CNN相结合会出现有效训练样本数量减少的问题,本文通过使用迁移学习,解决该问题,在不牺牲时间复杂度的情况下,Ada Boost-CNN算法能有效结合CSI和CFO的特性,提升认证性能。仿真结果表明,提出的联合认证方案性能比单参量认证方案性能更优。3.本文利用软件无线电平台USRP和编程软件LabView Communication,搭建了一套基于OFDM的信号收发系统,采集真实环境中的CSI数据和CFO数据。利用实测数据,对所提出的联合认证方案算法性能和时间复杂度进行验证,结果表明目前已有的单参量认证方案最差,本文所提的集成学习认证方案性能最佳,特征组合认证方案次之。说明所提出的联合认证方案具有可行性与实用性。