近年来,无线通信技术如5G网络和物联网的发展非常迅速。但是其开放性的传输特性也带来了比传统有线传输更严重的安全问题。设备身份验证作为安全通信的第一道防线,其重要性是不言而喻的。设备指纹识别技术是一种有效且轻量级的设备身份验证解决方案。由于硬件设计和生产的容差,发射机在制造过程中不可避免的会存在硬件误差,这种误差具有独一无二且难以仿冒的特性,因此也被称为设备指纹。设备指纹对传输信号会造成轻微的、不影响正常通信的失真,这种失真就是具象化的设备指纹特征。通过提取无线通信信号中的设备指纹特征可以有效的识别不同的发射机,从而增强无线网络的安全性。因此开展设备指纹特征的提取与识别技术研究具有重要的意义和价值。本文针对无线设备指纹的提取与识别方法进行了广泛的研究,研究内容主要包括:适用于多工作模式下LFM雷达的设备指纹提取与识别方法、低信噪比下扩频信号的设备指纹提取与识别方法、基于分类子波形叠加的降噪方法、基于标准单位波形和互相关的降噪方法和抗信道变化的设备指纹提取与识别方法。本文的创新性研究成果包括:1.提出了一种多工作模式下LFM雷达的设备指纹提取与识别方法。为了解决LFM雷达不同工作模式信号由于调制参数不同而指纹差异大的问题,本文提出了一种基于关键脉冲参数的脉冲实时动态自分类算法。并且通过设置观察窗口,该算法可以对已分类脉冲进行自动精简。实验结果说明该算法具有优秀的脉冲分类和抗干扰脉冲能力。继而,针对LFM脉冲信号的特性提出了一种基于分段曲线拟合的信号降噪算法和一种混合设备指纹识别方案。实现了在低信噪比场景下同时提取瞬态指纹和稳态指纹特征。在三个真实LFM雷达的大规模数据集实验中,当SNR≥5d B时,四种不同工作模式下的雷达识别精度都超过了90%。工作模式3在-10d B的情况下识别精度也保持在约100%.2.提出了一种低信噪比下扩频信号的设备指纹提取与识别方法。对于直接序列扩频通信系统,接收信号信噪比会非常低。基于此,本文提出了一种适用于直接序列扩频通信信号设备指纹识别的高效降噪方法。该方法利用扩频信号中重复出现的扩频序列,通过符号叠加的方法,大幅度的消除了噪声的影响。理论推导和仿真实验证明了M个扩频符号的叠加可以实现M倍的信噪比提升。同时,仿真结果表明,采用了该降噪算法之后,在合适信噪比下建立的设备指纹库适用于多种信噪比场景的设备指纹识别。这对于设备指纹技术的实际应用意义重大。另外该降噪方法可以扩展到任何具有重复序列的通信系统,例如Zig Bee信号前导码中的8个重复符号。3.提出了一种基于分类子波形叠加的降噪方法用于设备指纹提取与识别。为了进一步提高设备识别技术的噪声鲁棒性,本文提出了一种基于子波分类叠加的信号降噪算法。由于大部分信号都是由有限种类的子波形组合形成,基于子波叠加的降噪方法具有较好的普适性。另一方面,考虑到设备指纹的记忆性,首先需要根据连续波峰/波谷的数量将子波划分为不同的类型。然后,将相同类型的子波进行叠加降噪。这样可以有效的降低叠加过程中设备指纹的损伤。当信噪比在[0d B,20d B]的范围内时,相比于原始I/Q信号的识别性能,该方法在54个Zig Bee设备的识别中对识别率有明显的提高。4.提出了一种基于单位波形互相关的信号降噪方法用于设备指纹提取与识别。基于噪声信号和通信信号的不相关特性,本文提出了一种基于互相关的降噪方法。考虑到互相关的积分运算在消除噪声的同时会造成设备指纹特征的平均模糊,该算法的关键是选择合适的参考信号,使得降噪效果和指纹损伤两方面取得一个合适的平衡点。本文选择了信号的标准单位波形作为参考信号。首先,标准单位波形和接收信号相似度最高,因此容易从含噪信号中恢复出原始信号。另一方面,单位波形长度较短,互相关之后对指纹特征的损伤较小。最后,通过54个Zig Bee设备的识别实验证明了该方法的有效性。在[-10d B,30d B]的信噪比范围内,该方法带来的平均识别精度提升为1.15%-53.89%。5.提出了一种抗信道变化的设备指纹提取与识别方法。为了提取抗信道变化的设备指纹特征,本文提出了一种基于对数域频谱差的设备指纹识别方案。该方法首先从接收信号中提取两个具有不同幅度和相位的符号。理论上不同符号表现出不同的设备指纹特性。当两个符号在信道相干时间内时,它们的信道特征也相同。理论推导证明了,对两个符号对数频谱求差能有效消除信道特征,并保留设备指纹。进一步的,本文通过符号叠加和基于统计量的数据清洗操作进一步的提高了设备识别性能。最后,以IEEE 802.11 OFDM信号作为实验案例,在20个同型号的wi-Fi设备数据集上,以CNN作为分类器进行了实验验证。实验结果表明,与不考虑信道影响的方案相比,本方案在识别率上有最高83.11%的提升,有效的提高了设备指纹的信道鲁棒性。