随着无线通信技术的快速发展,任何无线通信网络都不可避免的存在许多安全问题。尤其在认知无线电网络中,动态的接入方式导致许多新的安全隐患,如模仿主用户(Primary User Emulation,PUE)攻击。目前,对PUE攻击的检测多采用验证合法主用户发射机的位置,但对于分布式认知网络,该方法就不能实现有效的检测。无线发射机的瞬态响应具有普遍性、唯一性和短期不变性的特点,可以作为识别发射机的特征。因此,本文将瞬态指纹识别技术引入到认知无线电网络中来实现对合法主用户发射机的识别,从而抵御PUE攻击。　　 基于802.11b的Wi-Fi网络中,信号的突发发送使得在每帧数据的帧头可以捕获到瞬态响应,但随着元器件一致性和电路集成度的提高,无线网卡瞬态响应的差异度也越来越细微。本文建立了一个新的无线网卡瞬态响应指纹提取模型,分别从起点检测、特征提取和分类识别三个方面进行深入的研究。　　 首先,采用短时能量和相位检测算法进行瞬态响应信号的起点检测,并就两种算法在不同信噪比下的检测性能进行了对比分析。实验结果表明,在较低的信噪比下相位检测算法比短时能量具有更准确的检测结果。在特征提取方面,由于无线网卡瞬态响应信号的相似性很高,常用的小波多尺度分析方法提取的特征区分度较差,因此,本文提出了一种基于谱图时频分析的能量包络提取算法,并采用多项式函数来拟合瞬态响应包络,提取多项式系数作为新的瞬态指纹特征。相比希尔伯特变换提取的包络受噪声影响大,毛刺多,采用本文算法提取的包络曲线则更为平滑,特征参数的区分度也得到进一步提高。最后,本文设计了SVM多分类器和BP神经网络分类器,分别输入小波特征参数和多项式特征参数对无线网卡进行分类识别。实验结果表明,BP神经网络分类器能获得比其它两种分类器(SVM多分类器和最近邻分类器)更好的识别结果。　　 本文通过构建一个无线网卡信号采集系统,捕获大量的实测数据用于分析测试。结果表明,多项式提取的特征较小波特征具有更好的分类效果,不同品牌网卡的平均识别率可以达到93.7％,同品牌同型号的网卡个体的平均识别率也有78.4％。