由于无线信道的开放性,无线通信设备的接入认证容易遭受身份假冒攻击等威胁,而传统的加密认证技术存在计算复杂度高、密钥容易泄露等问题,迫切需要保障无线通信设备身份认证安全的有效新途径。射频指纹（Radio Frequency Fingerprint,RFF）识别技术由于能够在物理层提取表征无线通信设备的指纹特征,从而实现对设备的可靠识别,可有效保障无线通信设备身份的认证安全。因此,针对射频指纹识别技术的研究具有重要意义,本文对射频指纹的提取和识别方案进行了如下研究。一、为解决不同设备的射频指纹差异不明显且容易被噪声淹没等问题。本文提出了一种自适应变分模态分解（Adaptive Variational Mode Decomposition,AVMD）射频指纹提取方法。该方法利用分解后各模态之间的相关系数及各模态能量在信号总能量中的占比两个指标,联合判断分解过程中是否出现了模态混叠及过分解现象,并在此基础上以迭代的方式选择合适的分解模态数和惩罚因子,从而提高模态分解的准确性。之后,将由各模态构成的重构信号作为无线设备的RFF,并利用长短时记忆网络（LSTM）对设备进行识别。实验结果表明,通过AVMD方法所获得的重构信号与原信号相比不但保留了较为完整的指纹特征,且噪声得到了一定程度的抑制。在对实际WIFI设备的识别中,AVMD方法的识别准确率显著优于现有同类算法,有效提高了无线设备的识别准确率。二、为克服单一网络模型提取射频指纹特征的局限性,本文提出了一种CNN-GRU并联组合网络模型,以发挥不同网络在提取指纹特征中的优势。该网络模型结合了卷积神经网络（CNN）和门控循环单元（GRU）对频域和时域特征的提取优势,并通过自定义加法层对AVMD算法处理得到的重构信号进行时频域特征融合,以得到更为丰富的射频指纹特征,从而对无线通信设备进行更好的分类识别。实验结果表明,本文所提网络模型相比现有CNN-LSTM串联模型、CNN、LSTM、Bi-LSTM等方法,其参数量更少,计算速度更快,识别准确率更高。