随着电磁频谱研究的不断深入,研究人员发现电子设备在工作的过程中会向周围环境释放电磁信号,而这些电磁信号与设备的组成或工作原理相关,因此,衍生出基于电磁信息进行工作状态辨识的方法。该方法具有数据采集相对简单、且泛化性良好的特点。但是由于传统的电子设备异常辨识方案主要通过设置硬阈值逐特征比对的方法对设备的异常状态进行辨识,条件过于严苛且无法充分利用所有频谱数据,导致对异常工作状态的辨识效率低,准确度差的问题。基于此,本文提出基于频谱特征的电子设备异常辨识方案。通过构建电子设备频谱特征空间,将设备异常辨识问题转化为频谱特征空间中的特征样本分类问题,并结合机器学习的相关算法,以多种状态下的电磁发射谱为原始数据,构建电子设备异常辨识模型完成设备异常状态检测工作。在对电子设备状态辨识时,本文提出的辨识方案能够高效准确地辨识出设备是否处于异常工作状态,并在异常时准确给出异常类型的合理推测,该研究对于实际工程与科学研究均有着重要价值。本文的主要工作如下:第一部分主要研究常见电子设备的电磁发射特征,分析得到能够反映出设备组成或工作原理的典型频谱特征。在此基础上,通过将设备电磁发射谱映射到高维空间中,把电子设备异常辨识问题转化为特征空间上样本点的分类问题,并结合机器学习的相关算法,确立以支持向量机为辨识函数的电子设备异常辨识整体方案。第二部分首先通过结合典型电子设备电磁发射特征,并分析每一类电磁发射特征在频谱上的表现形式,针对峰值、包络以及信号能量等设计了对应的提取方案。其次,结合提取后的频谱特征,通过频谱分段处理以及频谱特征量化,确定频谱特征空间的维度及每个维度的参数意义,构建电子设备频谱特征空间,并完成从电磁发射谱到特征空间样本点的映射。第三部分分析了频谱特征空间中样本点存在的问题,对特征样本进行优化策略设计。针对频谱特征空间中样本点间存在数量比例下不均衡的问题,提出基于SMOTETomek Link的数据增广方案,扩充代表设备异常工作状态的样本点,有效缓解了频谱特征空间中存在的样本不均衡问题;针对此前使用频谱分段处理导致的特征样本维度过高的问题,提出了基于PCA-LDA的特征参数筛选方案,在保留有用信息的前提下合理降维,降低系统的计算负载,并使降维后的数据更利于进行辨识模型的训练;最后,为了获得泛化能力优秀的电子设备异常辨识模型,选取F1-Score作为模型性能指标并设计基于遗传算法的自动化参数调优方案,有效减少超参数调优的时间消耗。第四部分研究了电子设备异常辨识实际需求,以某型号鼓风机为对象,应用电子设备异常辨识方案构建专属于该型号鼓风机的异常辨识模型,并设计对照实验说明数据增广方案以及特征参数筛选方案的有效性,进而验证整体方案设计的可靠性。