工业场景的无线通信系统在自动化运作过程中起着重要作用。这种类型的系统更加迫切地需要低复杂度、轻量级、高安全度的认证机制,物理层认证的出现满足了这些需求。但是,现有的基于二元假设检验的认证机制仅在固定情况下理想地执行,无法区分多个用户;基于深度神经网络算法的认证机制在进行小样本学习及参数设置时具有局限性;且有监督的机器学习算法已经不足以在仅有合法节点物理层信道信息已知的工业场景无线通信系统下建立低复杂度、轻量级、高安全的认证机制。针对以上问题,本文对现有物理层认证方案进行了深入研究,具体内容如下:（1）为进一步提高现有方案在动态工业场景下的认证性能,提出了一种新的基于多分类支持向量机的物理层认证方案。该方案采用基于自主参数优化的机器学习算法代替传统的基于自定义阈值的决策方法,适用于小样本学习。首先将移动节点估计的信道矩阵作为认证输入,通过降采样得到不同的信道矩阵维数,并进行实验验证找出最优的信道矩阵维数,从而减少运行时间,提高认证精度。然后使用真实工业场景下的数据集进行了大量的仿真模拟,与现有的物理层认证方案相比,本方案进一步提高了动态工业场景下多用户认证的性能和效率。（2）围绕正例和无标记样本学习以及集成学习构建了一种新的基于集成半监督算法的物理层认证方案,在仅有合法节点信道信息标签已知的情况下,也可以准确地区分未标记信道信息中的合法节点和非法节点。并针对工业场景数据维度高的特点,对原始物理层信道信息数据进行了特征提取,利用其幅值、相位、载波频率偏移（即相位的变化）和方差特征将高维数的信道矩阵转换为七维的特征集矩阵,既降低了维数也保留了原始复信道信息。最后使用美国国家标准技术研究所在真实工业场景下采集的公开数据集验证了提取特征的有效性。仿真结果表明,提出的认证策略在动态的工业场景下可以准确地区分出未标记信道信息中的合法节点和非法节点。