无线信道建模一直是无线通信领域的重要研究课题,任何通信系统的性能均受到信道特性的影响。近年来,大量的信道测量表明,无线信道的多径分量(Multipath Component,MPC)在实际环境中往往呈现簇结构分布的特点。为了平衡信道模型的复杂度与准确性,基于簇结构的模型成为了当前信道建模的主流思路。在视距与非视距传播场景中,MPC的分布特性具有较大的差异,信道也表现出不同的统计特性,因此,视距和非视距场景的区分对于无线信道建模具有重要意义。此外,这两类信道场景的区分对于定位等相关技术也具有重要意义,如基于到达时间/时间差的无线定位技术。在不同的场景中,由于MPC的分布特性各不相同,需要针对不同分布特性的MPC设计不同的分簇算法从而提高信道中MPC分簇的准确度。本文针对无线信道中视距和非视距传播场景的识别方法以及多径的分簇方法展开研究,主要工作如下:1.针对视距与非视距传播场景的识别,首先调研了现存的常见识别方案,其中基于无线信号传播特性的变化开展识别是当前的主流方法,如基于信道小尺度衰落莱斯K因子的场景识别方案。然而,莱斯K因子对传播环境的变化较为敏感,往往难以找到准确的非视距场景的识别阈值。对此,本文提出了一种基于卷积神经网络的场景识别方法,使用车联网信道测量数据作为网络的训练与测试样本,通过信道数据的特性和网络训练的反馈结果设计了网络的具体结构与核心参数,得到了最佳的网络结构与参数配置;利用了不同的数据集对算法的性能进行了验证,同时讨论了所设计的神经网络的实用性与可行性;对比了现有的视距与非视距场景识别算法,如莱斯K因子和各种其他机器学习算法等,仿真测试了不同算法的性能,实验结果表明本文设计的卷积神经网络具有最高的识别准确率。2.针对视距场景下的信道多径分簇,考虑到无线信道的时变性对动态信道的表征产生较大的影响,因此需要动态多径分簇算法来对时变信道开展参数分析及建模。设计了基于追踪的信道多径分簇算法,利用最大化总概率的方法识别出时变信道中连续快照的多径运动轨迹,基于多径分量的移动轨迹对其开展聚类;建立了动态信道仿真器,模拟了MIMO信道中多径分量的动态变化,并使用了仿真数据验证了所设计多径分簇算法的准确性。3.针对非视距场景下的信道多径分簇,考虑到非视距场景下簇结构分布更加分散,簇内所含的多径数目存在较大差异,簇的识别更加具有不确定性的特点,对基于密度的分簇算法进行了改进,使用基于功率加权的多径分量距离开展多径分簇,提升了分簇的准确性;利用了通用信道仿真器模拟了非视距场景中的多径分布,使用仿真数据验证了所设计多径分簇算法的性能。