随着现代无线通信技术的发展与普及,无线网络设备数量与网络规模等都在急剧膨胀,特别是在ISM频段由于不需授权即可使用,其信道空间变得十分拥挤和繁忙,准确的识别无线信号能够帮助人们更加高效地使用无线信道。同时在电子对抗中,对无线网络信号的识别能够对敌方进行有效的监测,使己方取得优势。因此无线网络信号识别技术不论是在民用领域还是军用领域均具有非常大的意义。无线信号识别技术主要分为两种:一种是基于最大似然判别的识别算法;另一种是基于特征提取的识别算法。最大似然方法是利用概率论和假设检验理论为工具,将待识别信号与典型信号进行比对,以代价函数最小化为原则,结合适当的门限进行比较,形成判决准则。而特征提取是建立在对信号的分类特征提取的基础之上的,从早期的幅度、频率、相位等参数,到后来的谱相关特征,都是基于这种思想。近年来研究提出了很多使用机器学习、深度学习的方法进行信号识别,相对与传统方法取得很好的效果。本文结合传统的基于特征提取的信号识别方法,结合机器学习方法,从无线信号的特征分析到特征提取与融合,最后基于对目标信号进行识别与分类。论文的主要工作有以下几项:(1)本文研究了当前无线信号识别所用到的特征参数,将现有的特征参数进行了归纳,将这些有特征物理意义的特征参数定义为显性特征参数,由于对于不同的识别目标所采用的特征参数也会有差异,本文基于条件熵提出了对显性特征参数的提取与融合方法。(2)为达到更好的识别效果,本文利用一维卷积神经网络对无线网络信号进行了特征提取,此处提取到的特征参数只是为了对信号进行分类而不具有特定的物理意义,因此称作隐性特征参数。对于隐性特征参数的提取是基于无线信号的谱图,而非原始信号,这样不仅可以提取到信号的稳定特征而且能够一定程度上消除噪声的影响。(3)本文提出了基于支持向量机的无线信号识别模型,在前述特征提取与融合的基础上,将其构建成为联合特征并作为支持向量机的输入进行训练和测试,对分类器进行优化处理,得到有效的分类器实现对无线网络信号的识别与分类。