无线网络技术正迈向与多领域的深度融合,逐步实现无时无处的智能连接、全息连接、深度连接与泛在连接。然而,由于无线网络的广播性及开放性,使得无线网络极易受到窃听以及干扰等恶意攻击。同时,微型无线终端设备的普及,使得这些微型终端的计算和能量都非常有限,基于传统的安全解决方案难以适用于无线网络的低功耗、低计算资源以及高吞吐率下的高安全需求。无线物理层安全技术的提出为解决这些安全问题提供了新的思路。物理层安全技术避免了网络上层基于密码学的复杂加密计算,充分利用信道及设备的特征,从而实现了低复杂度、轻量级的加密和认证。由于射频指纹的难以克隆性和信道指纹的空时唯一性,其所建立的设备身份认证机制和数据包认证机制,满足了海量无线终端轻量级接入安全认证和数据包认证的需求,实现了高强度的安全性能。目前,基于物理特征的物理层安全技术已被学术界与工业界作为有效的设备和数据接入认证、防范中间人攻击、恶意节点攻击的关键技术之一。更高认证识别率和更低的计算复杂度是推动该技术实际应用的关键。本文采用物理特征提取、机器学习等方法研究了提升物理特征安全认证的机制与实现途径,主要研究内容和创新点如下:1、针对射频指纹特征选取困难的问题,本文从时域和频域两个不同的研究角度对典型无线超低功耗集成电路的射频指纹进行了分析,提出了多种指纹特征矢量的构造方法。同时,提出了基于二次离散小波近似系数的特征矢量结合机器学习朴素贝叶斯的射频指纹识别算法,并与K-近邻、浅层神经网络两种算法进行了对比分析,结果显示所提出的算法具有很好的抗噪性。该识别算法在应用于低信噪比（如SNR=0）的设备身份认证实验中依然能取得了较好的认证效果。针对目前人工选取射频指纹特征较为困难的情形,本文提出基于时频分析-卷积神经网络的射频指纹识别算法,以自动获取盲特征从而简化人工选取特征的复杂性。最后,通过实验进一步验证了该算法对抗噪声的性能。2、针对传统的信道指纹认证技术无法求解检验统计量概率分布的问题,本文提出了自适应增强学习的信道指纹数据包认证方法。以提升数据包认证的准确率为目标,该方法首先结合构造的检验统计量与机器学习算法来避免遍历寻找人工最优门限的过程,可实现对合法数据包的自适应判决。其次,本文提出了一种二维融合特征的信道指纹数据包认证方法,将两种检验统计量进行组合以提高机器学习的特征维度进而获得了更高的认证率。最后,通过在真实环境中搭建无线通信平台进行三方认证模拟实验来验证所提认证方案的有效性,结果表明基于自适应增强学习的信道指纹认证方法与人工遍历门限的信道指纹认证方法相比具有更高的认证准确率。3、针对当前的物理特征方法无法同时对恶意节点中的克隆攻击和Sybil攻击进行检测的情形,本文提出了一种基于身份ID-信道指纹的恶意节点检测方法。该方法首先通过判断节点声明的身份ID是否出现冲突来判别克隆攻击和Sybil攻击的存在。进而,综合利用信道指纹的空时唯一性、不同恶意节点的攻击特点所引起的差异来实现对恶意节点和合法节点的检测。为了进一步提高恶意节点的检测率,本文结合机器学习算法提出了基于自动标签与学习的检测方法,并解决了机器学习算法在离线训练过程中缺乏带标签学习样本的问题。通过基于美国国家标准技术研究所（National Institute of Standards and Technology,NIST）提供的公开信道测试数据集的模拟仿真、以及真实工业环境中进行的攻击检测实验,证明了本文所提方案的可行性。4、针对实现机器学习下的物理特征认证的高效训练问题,本文在物理特征认证的典型应用场景----边缘计算下的终端物理特征认证场景下提出了两种边缘计算协同的物理特征认证方法,通过边缘计算侧与终端的计算任务最优分配,以实现时延更小以及速度更快的训练计算。其中,提出的边缘计算协同的射频指纹识别身份认证方法根据理论模型可对多个终端设备与边缘端协同分配计算任务来实现快速训练与实时的接入认证;提出的边缘计算协同的信道指纹数据包认证方法可通过对单个终端设备与边缘端协同认证来实现低时延的数据包认证。为了验证上述两种安全认证方法的准确度与时效性,本文最后进行了相应的理论分析与建模,同时通过仿真对比实验证明了方法的可行与有效。