特定辐射源识别（Specific Emitter Identification,SEI）是指通过直接处理接收信号或者利用信号中与传输内容无关的外部特征以实现目标辐射源个体识别的技术。SEI作为电子支援措施（Electronic Support Measure,ESM）中的关键技术,一直以来都是各国的研究重点。在民用领域,例如无线网络安全、物联网设备识别以及物理层认证等方面,SEI也具有重大的应用价值。近年来,SEI研究领域涌现了许多不错的算法与技术[30-37],然而,SEI中仍存在很多的挑战。首先,在SEI算法评价指标方面,现有的SEI系统性能评价大都基于算法间的识别正确率的横向对比来实现。但是,由于公开数据集的缺乏以及识别场景差异等原因,算法间的横向比较并不完全“公平”,另外,研究者也缺乏足够的理论依据去确定其SEI方案的识别性能是否达到理论上界。其次,近年来兴起的基于机器学习的SEI技术[14,20,21]也同样面临许多技术难题和挑战,例如,大部分网络所提取的特征不具有可解释性,有监督学习方法获取标签的代价较高,机器学习模型的训练缺乏足够的训练数据,上述问题都是基于机器学习的SEI技术亟待解决的难点。针对上述问题,本文研究了辐射源畸变模型,并基于此推导了瑞丽信道模型下的辐射源I/Q不平衡畸变参数估计量的克拉美-罗下界,给出了辐射源I/Q不平衡畸变参数的最优提取性能。然后,在假设I/Q不平衡畸变参数最佳估计的条件下,基于奈曼-皮尔逊（Naymen-Pearson,NP）判决准则,对比分析了使用I/Q不平衡畸变参数作为特征的SEI方案与直接对时域I/Q信号进行判别的SEI方案的最优识别性能,为SEI技术中的相关评价问题提供了评价标准。最后,本文提出了一种辐射源畸变模型与神经网络相结合的无监督特征提取算法。基于卷积神经网络实现了I/Q不平衡参数提取,然后采用生成对抗网络实现相位噪声模型参数提取。