随着计算机计算性能和通信领域的进一步发展,通信设备个体识别技术有着更为广阔的发展前景。这项技术在民用安全和现代战争中的电子对抗领域都有着应用前景,近年来许多研究者都对其展开了广泛的研究。通信设备的个体识别主要依靠通信设备本身硬件差异带来的信号指纹不同来区别不同的通信设备,不同的通信设备具有不同的信号指纹,借此来达到通信设备的识别的目的。本论文对通信设备识别相关的若干技术展开研究,主要包括了特征的提取和分类器识别。通过提取信号的不同特征作为信号指纹对通信设备进行识别并分析不同特征的特点。同时分别基于集成学习和深度学习对通信设备进行识别,比较不同分类器在识别率等参数的差异。主要工作包括如下几个方面:（1）本文研究了针对组合积分双谱的特征提取方式,提取信号的双谱并对双谱和双谱抑制高斯白噪声的能力进行可视化分析。比较了单一的积分双谱和组合积分双谱对于通信设备的识别率的差异,结果表明组合积分双谱相比单一积分双谱识别率提升了 20%以上。并通过GBDT和XGBoost分类模型验证组合积分双谱识别手机的效果,结果表明组合积分双谱在手机识别的过程中识别率可以达到96%以上,对幅值干扰的鲁棒性较差,在幅值干扰下识别率有7-8%的降低,在多种干扰下识别率降低至80%。（2）本文研究了针对小波包能量谱的特征提取方式,将信号进行7层小波分解后提取信号的小波包能量谱并进行可视化分析,通过GBDT和XGBoost分类模型验证其识别手机的效果,结果表明小波包能量谱作为特征时识别率约为83%,对于手机型号的分类较灵敏,受幅值干扰的影响较小,具有较好的鲁棒性,在幅值干扰下识别率仅有约1%的降低,整体识别率低于组合积分双谱。（3）本文研究了深度神经网络下的通信设备识别。并通过将组合双谱和小波包能量谱进行拼接得到新特征,在深度学习的环境下利用新特征对通信设备进行识别。结果表明采用新特征后在深度神经网络下识别率可以达到99.8%。在噪声干扰和幅值干扰下均有较好的鲁棒性,识别率仅有不到1%的降低,可以有效的结合两种特征的优点。同时,深度神经网络相比集成学习方式识别率也有了明显提升,在两种干扰下对通信设备的识别率在98%以上。