物联网海量设备连接和终端资源受限的特性导致高层认证体制应用受限,而物理层认证方案无需借助密钥分发即可实现认证,其认证属性取自通信源本身和通信过程,具有轻量级优势,可以为物联网安全提供良好的解决方案。现有物理层认证研究主要包括两类,一是针对射频识别问题,设计更好的射频特征提取和识别方法;二是针对通信过程中的认证问题,研究合适的物理层认证方案实现对设备身份的初始认证和消息的连续认证。射频指纹源自设备本身,与终端位置无关,为解决终端位置不固定的物联网场景下的认证问题提供了契合的初始认证源。而无线信道指纹与终端位置的关联性和易于获取的特点使其能够更好地被用于解决终端位置固定的物联网场景下的认证问题。然而,传统物理层认证方案直接应用于物联网时还存在以下问题需要解决:1)现有射频指纹认证方案在海量设备间区分度不高;2)面向终端位置固定的物联网场景,现有无线信道指纹认证方案大多基于假设检验,无法实现初始认证;3)面向终端位置不固定的物联网场景,缺乏一种能够实现初始认证和消息连续认证的方案。而深度学习的引入可以建立设备位置-无线信道特征-设备身份的映射关系,并可以扩大射频特征差异,为物联网无线安全提供技术保障。因此,本文利用深度学习技术充分挖掘物理层认证属性的深层特征,开展物联网下基于深度学习的物理层认证研究。本文针对海量设备间的射频识别问题,研究基于长短期记忆-卷积神经网络（Long-Short Term Memory and Convolutional Neural Network,LSTM-CNN）的物联网射频指纹认证方案。针对物联网通信过程中的认证问题,首先面向终端位置固定的物联网场景,研究基于卷积神经网络（Convolutional Neural Network,CNN）的物联网无线信道指纹认证方案,解决传统无线信道指纹认证存在的初始认证问题;其次面向终端位置不固定的物联网场景,研究基于射频指纹和信道统计特性的融合认证方案,实现初始认证和消息连续认证。论文具体研究内容如下:1.提出一种基于LSTM-CNN的物联网射频指纹认证方案。首先,将基带信号拆分为长度为128的等长子序列,并对其进行归一化和标签化处理,以用作神经网络的输入。其次将LSTM作为特征提取器,自动挖掘射频指纹深层特征得到具有时间信息的初始特征。之后,连接CNN并将其作为分类器,进行二次特征提取和分类,建立LSTM-CNN认证模型。最后,将未知终端数据输入到训练好的LSTM-CNN认证模型中,检测其与已入库设备特征的相似度,对其身份进行分类决策,从而实现对海量设备的射频识别。仿真结果表明,该方案基于公开射频数据集的设备识别精度达到了99.47%,认证性能相比于基于其他常用网络模型（LSTM、CNN、CNN-LSTM）提升了6%-30%。2.提出一种基于CNN的物联网无线信道指纹认证方案。首先在接入点（Access Point,AP）侧收集物联网区域内的瞬时CSI数据用作CNN的输入,利用CNN的特征映射能力提取该区域的无线环境特征作为区域内终端的身份标识,完成训练过程,建立稳健的认证模型和特征指纹库。未知终端向AP发起接入请求时,利用训练好的认证模型提取未知终端CSI深层特征,并将其与特征指纹库进行比对,对未知终端的身份进行认证。仿真结果表明,基于CNN的物联网无线信道指纹认证方案在0d B的低信噪比下仍有94.6%的认证精度,相比于传统物理层认证方案,在精度上有了8-20%的提升。该方案能够避免高层认证密钥分发问题,并将终端侧认证开销转移至AP侧,实现物联网终端侧轻量级认证。3.提出一种基于射频指纹和信道统计特性的融合认证方案。首先,基于深度学习拓展射频指纹认证空间,利用设备硬件特性带来的射频指纹差异实现对设备身份的初始认证,确保通信来源的安全可靠;其次利用无线信道统计特性,通过假设检验的方式保障在通信过程中的连续认证安全。基于射频指纹和信道统计特性的融合认证将认证开销全部转移至计算能力较强的AP侧,能够实现对物联网终端侧的轻量级初始认证和消息连续认证。