当今,无线通信技术飞速发展,无线设备数量呈爆发式增长,相关的安全研究受到了日益广泛的关注。当前无线设备的识别方法主要集中在数据链路层和物理层。数据链路层的识别方法主要是从传输的信息中提取出具有代表性的关键信息,如MAC、IP地址,这些信息容易被伪造或篡改。因此,基于数据链路层方法的安全性不高。基于物理层的识别方法主要包括测量接收信号强度、信道状态信息和设备特征等。本文采用了由设备制造公差产生的射频指纹来进行分类识别。这些设备制造公差不会影响无线设备的正常使用,在以往的通信系统中一般会被忽略或消除。射频指纹具有唯一性、稳定性和不可克隆等优势,通过这些指纹就可以唯一地识别出信号是由哪台无线设备发送出来的。通过设备射频指纹实现对设备的识别,无需在应用层面对系统进行修改,具有实现代价小、识别系统复杂度低的优点。本文以ZigBee设备作为识别对象,对常见的射频指纹预处理方法做了研究并探究了无线信道对识别准确率的影响。本文的主要工作以及创新点如下:·本文设计了一种基于概率投票算法的三重卷积神经网络（Convolutional Neural Networks,CNN）模型,该模型综合利用了不同CNN模型对射频指纹的不同表征。它在信噪比为30 dB的情况下识别准确率能够达到100%。即使在10 dB的情况下,该模型的准确率也能够达到78.15%。·本文探究了常见的预处理方法对于射频指纹的影响。时域的识别方法在不同的信噪比下,相比于频域和小波变化方法,都具有最佳的识别准确率。对于希尔伯特-黄变换,它在低信噪比（10 dB）的情况下由于拥有更多的卷积核尺寸的选择,识别准确率由时域的78.15%提高到了 80.42%。对于差分星座轨迹图（Differential Constellation Trace Figure,DCTF）,它不需要进行同步操作,就能够得到比时域识别方法稍低的识别准确率,也可以作为一种有效的射频指纹识别方法。·本文通过仿真和真实采集不同无线信道环境下的信号,探究无线信道对识别准确率的影响。主要的信道环境包括:室内近距离、室内远距离、室外近距离、室外远距离和非视距信道。实验发现,除了室外远距离的信道环境,其他信道下单独识别无线设备的准确率都能达到100%。在不同信道环境下进行训练与测试的无线信号相互识别验证中,室内近距离和室外近距离信道环境下的无线信号相互识别的准确率仍然能够超过85%,可以基于CNN机器学习的模型泛化。然而,在其他信道环境下相互识别的准确率都低于15%,现有的基于CNN机器学习的模型泛化能力较弱。