辐射源个体识别技术（Specific Emitter Identification,SEI）通过提取信号中蕴含的可以表现辐射源硬件特性的细微畸变来实现对某一特定发射设备的识别。其识别过程不需要对内涵信息进行解译和理解,在无线安全、自组织网、军事目标识别等领域得到了应用。在实际应用中,存在进行跨接收机SEI的需求,即利用多个接收机的接收数据实现对发射设备的识别,例如对广域运动辐射源的识别和多平台协同接收等场景;跨接收机SEI应用中,由于接收机畸变特性的存在,其指纹特征的分布会随着接收设备的改变而改变,传统的SEI方法的应用会受到限制。近年来,针对SEI技术的研究保持了一定的热度,但现有的大多数研究关注于在单接收机条件下的性能优化,很少讨论跨接收机因素对识别性能的影响,也未形成成熟的跨接收机SEI方案。针对这一问题,本文围绕跨接收机SEI方法,一方面从SEI机理模型角度出发,量化分析了接收机畸变对个体识别指纹特征的影响,通过改进估计模型得到了抗接收机畸变的SEI特征估计方法;另一方面针对接收机畸变差异问题,提出了利用迁移学习对特征分布进行匹配和利用频域自适应滤波进行接收机较正的方案,进一步提高跨接收机SEI的可靠性。主要研究成果如下:1、接收机畸变对辐射源指纹特征影响的量化分析。考虑到接收机接收信号为辐射源发射信号的逆过程,对接收机畸变进行了精简建模,并对现有的SEI指纹特征估计结果受接收机畸变的影响进行了详细的推导和分析。选取了现在已经实际应用的基于调制畸变模型、功放畸变模型和滤波器模型的三类SEI方法,利用接收机畸变机理模型,详细推导了在接收机畸变影响下,三类模型特征提取结果的数学描述,将结果与接收机畸变参变量联系起来。经过评估,调制畸变模型的特征提取结果与接收机畸变耦合程度一般,而功放模型、滤波器模型估计结果耦合程度很深。2、抗接收机畸变的辐射源个体识别特征估计方法。基于对接收机畸变的量化分析结果,本文通过对基于机理模型的SEI方法进行改进,提出了抗接收机畸变的辐射源个体识别特征估计方法。该方法对接收机畸变与指纹特征进行联合估计,得到接收机畸变参数与原始指纹,之后计算得到与接收机畸变无关的特征向量。仿真实验表明,本方法提出的方法针对机理模型SEI是正确和有效的。实际设备实验表明,利用改进方法提取的指纹特征在跨接收机条件下的偏移量为原方法的10%以下,在跨接收机开集识别中正确率比原方法提高8-10%,同时保证了良好的特征可分性。3、基于迁移学习的跨接收机辐射源个体识别方法。接收机畸变对SEI的影响最终表现为指纹特征的分布差异,可以适用于迁移学习中的领域自适应方法,本文提出利用迁移成分分析法和联合分布适配法来从特征分布的角度对不同接收机的指纹特征进行匹配。实际设备实验表明,在实验室条件下,在使用5台软件无线电设备作为辐射源时,跨接收机识别正确率可以达到83%以上。4、基于频域自适应滤波的个体识别接收机校正方法。为了统一不同接收机之间的细微畸变,从根本上解决接收机畸变造成的影响,本文提出利用频域自适应滤波（frequencydomain adaptive filtering,FDAF）统一不同接收机的细微特征。该方法借鉴了阵列信号处理中对多通道差异的校正思路,针对传统的时域校正方法在SEI应用中计算复杂度高、实时性差的问题,提出使用FDAF方法提高计算速度。实际设备实验表明,经过校正,辐射源指纹特征在不同接收机之间的偏移得到了良好的抑制;在实验室条件下,使用5台软件无线电设备作为识别目标时,跨接收机识别正确率可以达到85%以上;同时,讨论了接收机信噪比和时钟误差对校正效果的影响,结果表明,本方法对接收机频偏较为敏感,但相关指标在实际应用中可以达到。