伴随着大规模组网监测活动的展开,无线通信设备信号源个体识别成为无线通信安全中的重要研究方向。本文针对无线通信设备识别在单一特征识别过程中,识别率低,不能达到理想状态,设计了两种多种特征提取融合的方案,其中,不同信号源射频信号的特征通过变换域统计特征和高阶谱特征进行提取和融合,提升分类识别的准确率。本文的主要工作如下:1、提出了一种基于局域均值分解(Local Mean Decomposition,LMD)的优化组合算法--FM-ELMD算法对信号的射频指纹特征进行提取。首先对局域均值分解算法进行了实现和仿真分析,并在仿真数据分解的基础上进行分析,分析了局域均值分解算法用于实际信号分解过程中存在的模态混叠现象和产生此现象的原因。在此基础上,提出了一种局域均值分解的组合优化算法即FM-ELMD算法,缓解因密集模态和间断事件造成的模态混叠问题,从一定程度上降低了模态混叠问题对信号分解的影响,从而提高了对实际信号分解结果的有效性。然后对分解出的功能函数(Product Function,PF)进行了盒维数特征提取,可降低数据计算的复杂度。2、提出了两种基于双谱的射频指纹提取的方案:第一种提取双谱图图像特征,计算采集的信号的双谱并保存成图像,提取双谱图Gabor特征,即将对信号数据的操作转化为图形域对图像的操作;第二种将提取信号的高阶谱作为特征,计算信号的矩形积分双谱,指出了矩形积分双谱在计算过程中积分路径存在的问题,并基于双谱路线提出了优化方案。最后基于提取双谱特征维数过大,不利于计算,选择主核成分分析(KPCA)算法进行降维。3、给出了两种基于深度典型相关性分析方法(Deep Canonical Correlation Analysis,DCCA)算法的稳态变换域信号特征和高阶谱信号特征融合的方案。结合对讲机信号进行实验,一方面局域均值分解的盒维数和双谱图Gabor算子特征融合,另一方面局域均值分解的盒维数和矩形积分双谱(SIB)特征融合。结果表明,对讲机的局域均值分解的盒维数特征和Gabor特征融合之后识别率比融合前分别提升了4%-10%,平均识别率达到98.1%,平均误判率0.34%。对讲机的局域均值分解的盒维数特征和SIB特征融合之后识别率比融合前分别提升了11.55%-18.55%,平均识别率达到99.65%,平均误判率0.1%。