信息技术的发展推动着社会的进步,随着无线通信需求的日益增加,未来移动通信系统需要进一步提高通信速率和质量。大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）能够充分挖掘空间资源,在未来移动通信系统向更高频段发展的背景下,其依旧是最具潜力的研究热点。感知通信一体化（Integrated Sensing and Communication,ISAC）旨在将无线信号感知和通信融合在一个系统中,以实现两者的相互促进。在其中,大规模MIMO技术对于实现ISAC起到关键作用:一方面大规模MIMO能够获得更高的空间分辨能力,提高通信系统对环境的感知能力,如无线定位技术;另一方面,大规模MIMO的空间分辨能力能够感知移动场景下空间信道变化,如信道预测技术,从而增强系统通信能力。研究表明,机器学习具备出色的泛化能力以及拟合能力,尤其适合于无线物理层的自适应设计。因此,利用机器学习研究大规模MIMO场景下无线定位和信道预测问题具有重要价值。此外,空间一致性反映为相邻空间位置上的信道之间具备相关性,是验证无线定位和信道预测算法的有效性的前提,因此进行空间一致性信道建模具有必要性。全文的主要工作和贡献如下:首先,针对空间一致性信道仿真器建模问题,提出了基于参考点过渡的空间一致性无线信道生成方法。从空间一致性特征出发,引入了描述信道参数在距离尺度上独立性的相关距离概念,并基于圆形散射模型,理论证明了当多径的个数足够大的情况下信道的均方根时延扩展（Root Mean Square-Delay Spread,RMS-DS）在空间区域中的变化是连续且平滑的。接着,结合Qua DRi Ga（Quasi Deterministic Radio Channel Generator）信道仿真器,根据相关距离在目标区域选取参考点,并在其上独立的生成参考点信道。基于RMS-DS的连续性,构建以RMS-DS以及信道能量变化为目标的优化问题确定空间位置变化时信道中簇的变化情况,提出了基于空间中信道连续性的参考点间信道过渡的方法,并证明了这种信道过渡方法的合理性和唯一性。最后,通过信道过渡的方法,根据目标点和参考点的空间位置从参考点信道中过渡出目标点信道,从而将空间一致性拓展到全二维/三维空间之中。为了衡量空间一致性,我们提出了相关矩阵距离（Correlation Matrix Distance,CMD）、功率时延曲线（Power Delay Profile,PDP）相关系数以及功率角度谱（Power Angle Spectrum,PAS）相关系数的方法,通过数值仿真验证了所提出的空间一致性无线信道仿真器能够实现全空间中的一致性。其次,针对复杂环境下的高精度无线定位问题,提出了基于三维卷积神经网络（Three Dimensional Convolution Neural Network,3D CNN）的大规模MIMO系统指纹定位方法。从配置面阵的大规模MIMO物理信道模型出发,证明了角度时延域信道能量矩阵（Angle-Delay domain Channel Power Matrix,ADCPM）包含稳定且平稳的多径信息,如时延、能量、以及垂直和水平方向上的角度,并在理论上证明了相较于其他的定位指纹,ADCPM与空间位置的对应关系更强,并相较于其空间频率域中的等价指纹具有更小的尺寸。随后,利用角度时延域信道的稀疏性,提出了噪声去除的方法,使得ADCPM在噪声环境下依旧具有鲁棒的定位性能。最后,基于ADCPM作为定位指纹,提出了利用3D CNN对移动终端的三维位置进行定位的方法。具体地,所提出的3D CNN定位网络包括一个卷积提炼模块用以从ADCPM指纹中提取初级特征,三个扩展的Inception模块用以提取高级特征,以及一个回归模块用以估计三维位置坐标。通过密集的仿真,所提出的3D CNN定位方法相较于传统的基于搜索的定位方法能够实现更高的定位精度,同时减少计算开销和存储开销,并且对噪声污染鲁棒。最后,针对移动环境下的高精度信道预测问题,提出了基于空时自回归（Spatio-Temporal Autoregressive,ST-AR）以及复数神经网络（Complex-Valued Neural Network,CVNN）的大规模MIMO系统信道预测方法。从移动环境下大规模MIMO时变信道模型出发,通过逆离散傅里叶变换（Inverse Discrete Fourier Transform,IDFT）将空间频率域信道变换到角度时延域信道,利用宽带大规模MIMO高角度时延分辨特性,研究了角度时延域上的信道预测,并理论推导了一般化的角度时延域信道表征,证明了:a)当天线数和带宽足够大时,角度时延域信道响应矩阵（Angle-Delay Domain Channel Response Matrix,ADCRM）元素之间的相关性被显著的解耦;b)当天线数和带宽有限时,这种解耦是不充分的,导致相邻的ADCRM元素值间仍残留相关性。随后根据ADCRM的稀疏结构特性,提出了基于信噪比（Signal-to-Noise Ratio,SNR）的主要信道元素选择方法,用以缓解噪声带来影响,并且仅对选择出的主要信道元素进行预测。接着,提出了利用相邻信道元素间残留的时间相关性的ST-AR信道预测方法,其在AR模型的基础上综合考虑了天线数和带宽有限情况下的IDFT泄露,从而提高了预测的精度。最后,提出了基于CVNN的信道预测方法,所设计的网络能够对所有的ADCRM中的主要元素进行预测,并在训练完成时能够适应不同的场景,实现精确的兼具泛化能力的信道预测。数值仿真结果表明,相较于传统的信道预测方法,所提出的ST-AR以及CVNN的信道预测方法能够提高信道预测精度。