辐射源个体识别技术在通信、情报和现代战争等领域都占据着重要地位,随着现代通信技术日益发展,传输的数据量、传输速度和信号密度不断增加,电磁辐射系统的体制以及架构也在一步步发展和完善。出现了如功率放大器线性化技术等的一系列优化手段,这些技术手段在提升信号质量的同时,削弱了功放非线性作用,使得功放个体特征趋同,辐射源个体差异减弱。而功放作为辐射源“指纹”的主要来源之一,其线性化技术可能会造成个体识别性能下降,表现出与辐射源个体识别技术的对抗性关系。在此背景下,本文对功放数字预失真下的辐射源个体识别方法进行了研究。首先,研究并分析了基于最小均方误差和基于QR分解递归最小二乘的间接学习数字预失真算法,基于AD9361和ZYNQ半实物平台,对数字预失真处理流程进行设计,利用实测数据求解预失真器系数,在半实物平台上输出预失真处理后的信号。采集7个辐射源在有无数字预失真下的输出信号,利用误差向量幅度和邻近信道功率比对两种数字预失真算法进行性能的分析。其次,对数字预失真算法的特点和输出信号特性进行研究。以交调失真和互调失真为例,分析了有无数字预失真下的信号无意调制。通过固有时间尺度分解旋转分量的希尔伯特谱对数字预失真后输出信号时频特性进行分析。利用记忆和非记忆模型对预失真器和功放组成的放大系统模型进行拟合,验证数字预失真对功放非线性的补偿作用。然后,依次对基于围线积分双谱、基于水平可视图和基于固有时间尺度分解的特征提取进行了研究。同时引入希尔伯特谱的灰度-平滑共生矩阵特征,对比分析不同特征的类别可分性。利用支持向量机的分类结果对特征有效性进行评价,验证了功放数字预失真对于辐射源个体识别的消极作用。最后,利用预失真后各辐射源信号时频图像训练残差网络,提取时频图中细微特征,观察对比信号在不同网络下的识别率。同时采用Grad-CAM方法分析网络类激活区域,截取时频图像敏感区域,提取共生矩阵特征进行识别。针对信号局部特征,研究Sinc Net结构,构建一维时序信号输入的卷积神经网络,在减小计算量的同时,提高了低信噪比下的识别率。