现代社会里通信设备泛在互联趋势愈加明显,通信设备的电子指纹识别技术,与人类指纹识别技术类似,均属于时代和科技发展的必然需要,无论军事还是民用都有着极其重要的意义。近几年来,基于人工智能的电子指纹识别技术得到飞速发展,但是针对于单一设备的识别方法不能被直接应用到实际电磁环境中。如何能在多设备混杂交织的工作环境中准确的识别出单个通信个体,是一个目前亟待解决的问题。本文主要是针对多个设备共同工作的场景下的通信设备个体识别。本文主要工作包括以下几个方面:（1）首先针对多通信设备共同工作的场景下,设计了一种先分离再识别的辐射源识别方案。这个方案对于分离和识别的精确度都有着较高的要求,为实现方案目标,需要尽可能地提高分离信号地复原程度与分类器的识别率。为此,本文的研究不仅对分类器的设计进行了优化以提高识别效果,更重要地,在信号的分离手段上进行研究来提高信号分离精度以满足识别的要求。（2）就识别部分而言,本文在使用现有双谱特征提取方法的基础上,对辐射源分类器进行研究,使识别准确率和效率都得到了提高。同时,设计了一种对辐射源时域信号的分类器,省略了特征提取步骤,简化了识别流程。（3）就分离部分而言,针对传统分离方法对波形细节恢复程度差以及对于源信号相关性的限制,使用机器学习方法进行分离,即在有监督的情况下进行训练并离线分离。其中重点研究了基于强化学习的信号分离方法,这种方法使用DDPG算法,可以在固定信道和变化信道条件下进行信号的分离,并且在离线训练时可以快速使梯度下降至局部最优,分离效率较高,分离信号信干比达到35以上。（4）最后论文对分离信号的精确程度和分类器的准确率综合进行了验证,先使用原信号训练好分类器,后使用分离出的恢复信号代替原信号作为测试集,分别进行识别效果的验证。结果显示,分离信号构成的测试集与原始信号构成的测试集的分类误差在2%内,说明了这种先分离后识别方案的可行性。