随着无线应用的爆炸式增长,海量的数据在无线设备间互通,给识别用户身份以保证信息安全提出了更高的要求。传统基于密码的认证方案需要频繁交换密钥,难以适应大连接的动态无线网络,且随着计算能力的提升,存在被攻破或者泄露的风险。基于物理层的射频指纹识别作为一种跨协议的内生安全机制,利用设备的硬件容差,具有唯一性及第三方不可仿冒性,已经成为了无线设备识别的有效解决方案。在复杂无线网络环境中,低信噪比和小样本场景是无线信号指纹识别技术得以应用必须解决的重点难点。无线设备发射功率较小,在接收机端获取的信号的信噪比低,针对该情况,本文提出了基于生成对抗网络的射频指纹识别算法（Radio Frequency Fingerprint Identification Algorithm based on Generative Adversarial Networks,RFGAN）,采用残差结构以更好地从受干扰的质量差的无线信号中挖掘特征,实现低信噪比情况下的无线信号识别。实测信号识别结果表明,室内环境中设备的平均识别率在99%左右浮动,当信噪比为5dB时25台设备的平均识别率为97.9%。针对深度学习强依赖于海量的训练数据,而大批量的无线信号往往难以获取的情况,本文提出了基于深度度量学习的小样本无线信号分类识别网络（Few-shot Wireless Signal Classification Network based on Deep Metric Learning,FSig-Net）,可通过FSig-Net的特征提取网络获取的先验知识来约束假设空间的复杂性,达到小样本识别的目的,同时自适应确定样本相似度度量方式。在单台设备的训练样本数为10个的情况下,FSig-Net的平均识别准确率可达98.28%。此外,本文设计了无线设备个体识别软件系统,可灵活训练各类实测数据验证上述识别算法的性能。