随着通信技术的飞速发展,通信设备的种类与数量迅猛增加,这为通信辐射源的识别认证带来了更多的应用需求和更大的技术挑战。近年来,特定辐射源识别(SEI)的研究取得了诸多进展,已逐渐成为通信领域的研究热点。本文在标准的处理流程下,重点研究了高精度的预处理方法、基于专家经验的特征提取方法、基于深度学习的特征提取方法、考虑多普勒效应的个体识别方法和针对时分多址(TDMA)体制的个体识别方法五个部分,主要贡献和创新点如下:1.针对解调数据的预处理,提出了基于两级细化的高精度符号同步算法。首先指出了现有方法在SEI场景下的主要问题;然后利用基于窗化法的插值滤波器和基于前向判决反馈的时延估计器,对现有问题进行了针对性的改进。实验结果表明:与现有方法相比,该方法有效地提高了插值校正和时延估计的处理精度,对信号的识别增益大于2%。2.针对非解调数据的预处理,提出了基于干扰抵消的高精度预处理方案。首先建立了干扰抵消的信号模型,以畸变信号作为研究对象,将理想的数字调制信号视为干扰;然后完善了干扰抵消的处理流程,给出了高精度的预处理方案;最后利用干扰抵消比作为指标,理论分析了处理精度对抵消效果的影响。实验结果表明:与现有方法相比,该方法能够高精度地消除调制信息对特征稳定性的不利影响,有效地改善了SEI的性能。3.针对功放畸变,提出了基于峰均功率比(PAPR)的特征提取算法。首先分析了PAPR与功放非线性的联系;然后从PAPR向量中分别提取了数值统计特征和直方图统计特征。该方法简单易行,非常适用于工程实践。实验结果表明:与现有方法相比,该方法对功放非线性特征更具针对性,在仿真和实际条件下的识别增益约为10%。4.针对多种畸变特征难以联合提取的问题,提出了基于矢量图轨迹分解的特征提取算法。首先结合正交调制发射机结构,给出了调制器、滤波器、振荡器和功放等多个模块的畸变模型,推导分析了多种畸变在矢量图上的视觉表现;然后对矢量图信号轨迹进行了定义与数学描述,通过轨迹分解实现了特征提取。实验结果表明:与现有方法相比,该方法能够联合提取多种畸变的指纹特征,显著地改善了SEI的性能,在仿真和实际条件下的识别增益约为30%。5.利用深度学习技术,提出了基于Hilbert时频谱图的个体识别算法。首先对接收信号进行Hilbert-Huang变换,将Hilbert时频谱的灰度图像作为信号表示;然后直接构建深度残差网络学习并提取图像中的视觉差异。实验结果表明:与现有方法相比,该方法能够克服了现有认知的局限性,有效地提高了识别性能,且在复杂通信系统和复杂信道环境下具备良好的适应性。6.利用深度学习技术,提出了基于矢量图的个体识别算法。首先对通过预处理消除了无关因素的随机干扰;然后在理论分析的基础上,选择矢量图的灰度图像作为信号表示,有效地呈现出多种畸变的视觉特征;最后利用深度残差网络实现了多种畸变特征的联合提取。实验结果表明,与现有方法相比,该方法兼具高信息完整性和低计算复杂度,显著地改善了SEI的性能,且对实际信号具备良好的实用性。7.考虑多普勒效应,提出了一种基于改进的矢量图轨迹分解的特征提取方法。首先建立了多普勒信道下的接收信号模型;然后分析了多普勒效应对多种畸变的矢量图视觉特征的影响;最后定义并提取了在多普勒信道下稳定的指纹特征。实验结果表明:与现有方法相比,该算法兼具有效性和稳定性,能够改善多普勒信道下的SEI性能。8.针对TDMA体制,提出了一种新的射频特征和新的处理流程。首先根据发射机结构,从载波相位上分析了特征的产生机理并给出了提取方法;然后利用特征构造了检测统计量,推导了自适应门限,实现了相邻时隙的用户身份检测;最后设计了新的处理流程,根据检测结果累积突发数据,改善了数据量不足的问题,实现多个时隙的联合识别。实验结果表明:与传统做法相比,新的处理流程能够有效改善TDMA信号识别效果。