随着5G通信时代的到来,保证设备间的通信安全显得格外重要。通过分析射频信号的微小差异而提取出的硬件特征,可以作为每台设备独一无二的射频指纹,从而使得射频指纹识别技术能够为设备在物理层提供更加安全可靠的身份认证机制。目前已有的射频指纹识别技术都是在密集型数据集上实现的,在面临小样本问题时显得有些无力。特别是在某些特殊环境下,如无人机等处于较为隐蔽环境的通信设备,无法获取其大量信号进行射频指纹识别。为解决射频指纹小样本问题,本文提出将小样本学习方法应用到射频指纹识别技术中,研究无线电射频指纹小样本识别方法。本文通过分析现有射频指纹识别技术的不足之处,发现在面临小样本数据集时容易出现过拟合问题。而目前已有的小样本学习方法如元学习、迁移学习等等,主要应用于图像与文本领域。因此,基于以上问题,本文对已有元学习网络模型进行改进,设计实现了两个模型。一是对匹配网络模型的改进。为提取更有效的射频指纹特征,结合I/Q信号特点,修改了匹配网络的嵌入函数结构。并采用欧式距离公式作为计算样本特征相似度的注意力核函数,使模型更加能够区分I/Q信号样本之间的差异,从而保证模型识别准确率。二是结合迁移学习与元学习优点,构建元迁移学习模型。该模型将深度神经网络通过迁移学习引入到元学习模型中,并对模型参数进行了缩放,以适应射频指纹小样本任务,从而提高模型识别准确率。实验结果证明,小样本学习方法能够应用于射频指纹小样本识别。比起改进前,本文改进后的匹配网络模型在识别效果上表现良好,且在训练速度上也较快。同时,也验证了可以将深度神经网络作用于元学习模型上,并且元迁移学习模型的射频指纹小样本识别效果表现得更好。最后基于上述两个模型设计实现设备信号分析系统,以帮助快速识别射频信号所属设备。并为后续网络攻防下的无线通信设备的身份认证奠定基础,具有一定的战略意义。