无论是军事应用中的敌我识别、身份判定还是民用中的无线电频谱管理、设备故障诊断、网络准入身份确认等,对辐射源进行个体识别都具有重要意义。辐射源个体因其硬件差异等会对发射信号产生无意调制,通过分析接收信号,可提取出反映个体身份的信号特征,这些特征具有唯一性、稳定性、细微性和不可欺骗性,因此成为目前研究的热点。本文依据训练样本标注情况,从监督条件下单一类特征提取、联合特征提取以及半监督条件下神经网络分类器设计三个方面,分别考虑指纹的正确识别率、稳健性、普适性以及新场景等因素,研究辐射源个体识别的关键技术。主要工作如下:1.为了提高指纹正确识别率和普适性,在双谱的基础上,针对其特征维度高以及选择双谱等传统降维方法只保留双谱局部信息、忽略整体信息的问题,提出了一种基于灰度共生矩阵的纹理特征提取算法。首先计算信号双谱得到双谱图,然后采用灰度共生矩阵提取图像纹理特征,构成16维的特征向量,最后采用支持向量机分类器完成个体识别。仿真结果表明,相比选择双谱或Hilbert谱图纹理特征,本算法识别正确率更高;同时当目标个数以及调制方式改变时,本算法适应性更好。2.考虑指纹稳健性、普适性的因素,针对单一类特征易漂移的问题,提出了基于信号复杂度和熵的联合特征提取算法。首先计算信号的瞬时幅度、频率和相位,然后分别计算其盒维数、信息维数、信息熵,其次算法提出提取包络谱信息熵,最后将10个特征作为联合特征来识别辐射源个体。仿真结果表明,相比单一特征,联合特征方差更大,分散度更高,且以微弱的时间代价换取了精度的提高;当信号信噪比、调制方式改变时,联合特征性能更优。3.借鉴领域自适应实现源任务到目标任务的迁移思想,针对目标域和源域分布对齐困难以及决策平面附近经常生成目标域特征导致分类模糊的问题,提出了一种基于分类器差异最大化的分类器设计方法。算法利用已有标记数据库作为源域,待检测的未标记样本作为目标域。首先将双谱作为原始特征输入两个独立的CNN分类器。其次根据两个分类器对目标域样本的输出差异,以最小-最大优化方法实现特征生成器与分类器对抗学习。最后在对抗学习的过程中实现领域自适应,即不断重复地检测远离源域分布边界的目标域样本以及生成源域分布边界附近的目标域特征。实测结果表明,无论是识别新出现的设备还是不同时间段采集的用户信号,都有较好的迁移效果。