无线通信技术的蓬勃发展引发了人们对电磁环境监测的广泛关注,随着大规模组网监测活动的展开,信号源个体进行识别成为无线通信安全中的重要研究课题。本文针对信号源设备识别算法在中低端信号采集设备中的应用需求,设计了一套射频指纹提取和识别算法,其中,不同信号源射频信号的特征通过经验模态分解算法(Empirical Mode Decomposition,EMD)的优化算法进行提取,并设计了分类方案以提升识别的准确率。本文的主要工作如下:1、进行了发射机的射频指纹特征分析。对发射机的本体特征来源进行了探究和分析,重点讨论了稳态射频指纹的形成根源,并对本文所用的射频指纹特征进行了建模分析,确定了射频指纹特征的提取和识别模型。2、提出了基于经验模态分解的优化算法对信号的射频指纹特征进行提取。首先对经验模态分解方法进行了仿真分析,并在实测数据的基础上进行实验,指出了经验模态分解算法用于实际信号时存在的问题。在此基础上,提出了一种经验模态分解算法的优化算法,包括信号预处理办法和信号分解的优化算法,从一定程度上降低了模态混叠问题对后续工作的影响,提高了信号分解结果的稳定性。并对分解后的信号进行了复杂度特征的提取,即通过数据降维操作降低了后续分类工作的复杂度。3、设计了基于组合分类器的分类识别方案。在现有的分类算法基础上,选择了神经网络分类器和支持向量机(SVM)分类器对射频指纹提取算法得到的指纹特征向量进行分类,对不同分类器的分类结果进行了分析对比。在此基础上,提出了一种基于组合分类器的分类优化方案,通过数据拆分和投票表决的方式,提升了分类识别的准确率。在整个方案完成后,对本文中提出的各种算法分阶段的进行了实测数据的仿真分析,并与文献中的算法进行了一定程度上的对比实验,通过对比结果,说明了本文算法的有效性。