随着物联网技术的快速发展,常见的身份认证技术如基于设备MAC地址、安全证书、身份认证指令等方式,都存在易伪冒、易被窃取的弊端。将无线设备的物理层信号特征作为设备射频指纹可以实现设备的分类与识别,这对物联网的物理层安全研究具有重要意义。本文选择LoRa设备作为研究对象,分析了LoRa信号的调制技术及其物理层帧格式,提出了3种指纹特征提取方法,并通过对8个设备进行实验,验证了所提特征的有效性和稳定性。设计并实现了一套基于射频指纹的LoRa设备物理层身份识别系统,并通过实验验证了其作为物理层安全系统的有效性。本文完成的主要工作如下:1.分析了LoRa信号的调制技术以及物理层帧格式,包括对其基本组成符号（Chirp符号）时频域的分析。同时,提出了LoRa信号同步算法、给出了IQ轨迹图的概念以及信号解调方法,为后续指纹特征提取与系统设计做铺垫。2.研究了载波频偏对信号的影响,提出了基于前导码部分频率取均值的粗频偏估计方法,在粗频偏补偿之后,进行下一步的基于差分方法的精确频偏补偿。将提取的粗频偏与精确频偏叠加后作为信号的频偏特征,实验表明该特征在信噪比较低的情况下（7.5d B）,仍然能够达到90%以上的分类识别准确率。3.为了增加信号指纹特征的维度,研究了接收信号中与IQ偏移相关的特征,使用与本地标准信号特征做对比的方法,提出了误差幅值向量和信号总体IQ偏移两种指纹特征的提取方法。实验表明该特征对信噪比具有较高要求,在30d B信噪比条件下仅能达到70%左右的设备分类识别准确率。4.由于LoRa信号具有线性调频特性,其在频域上特征分量丰富,因此基于频域分析研究了信号的互功率谱密度特征,通过计算接收信号前导码部分与本地标准信号在各频率点的相关性得到该特征。实验结果表明,该高维特征在降维后具有更好的性能表现,选取降维后特征比重为99%时,系统的分类识别准确率也能够接近90%;在信噪比为0d B时,识别准确率在70%左右,相比以上两种指纹特征具有更好的性能表现。5.为了得到系统中最适合使用的分类算法,分析了多种分类算法,并测试了3类指纹特征在线性判别分析、线性核支持向量机、高斯核支持向量机算法下的性能。最终确定系统中使用基于三类指纹特征的混合特征以及线性判别分析算法进行模型的训练,又由于混合特征维度过高,需要首先对混合特征进行降维操作后再进行分类操作。6.设计并实现了一套基于射频指纹的LoRa设备物理层身份识别系统,通过实验验证了系统的功能完整性,测试了多场景下的设备分类识别准确率。在距离较近、存在视距通信的室内场景1,距离较远、不存在视距通信的室内场景2以及距离远、收发设备隔墙的场景3这三种实验场景下准确率分别可达99%、94%和83%以上。