随着高速铁路的发展,人们对于高机动性场景中的通信服务质量提出了更高的要求,这需要获取精准的信道状态信息（Channel State Information,CSI）。大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术因其具备显著提升信道容量和频谱效率的优势,减弱多普勒效应影响的潜力被考虑为主要解决方案。然而显著的多普勒频移和庞大的天线阵列仍严重制约着CSI的获取效果。为了克服高机动性场景带来的挑战,本文从时频（Time-Frequency,TF）域和多普勒-时延（Doppler-Delay,DD）域两个角度进行研究,提出了两种适用于高机动性场景下的信道估计算法,并给出了收敛性理论分析以及仿真验证。所提算法在各种通信环境下都有着精准的信道估计精度,可以适应不同速度的通信场景。论文主要内容如下:（1）从TF域角度出发,针对高多普勒效应对信道带来的快时变影响提出了一种空间信息辅助的上下行联合信道参数跟踪方案。首先构建了接收信号的稀疏模型,使得观测矩阵的每一列对应于一条信道。然后,将实时CSI获取问题转化为稀疏贝叶斯学习（Sparse Bayes Learning,SBL）形式的信道参数跟踪问题,并利用MM算法迭代求解每个信道参数。最后提出了一种基于显著梯度的快速收敛方案,解决角度相关替代函数的多峰值优化问题。（2）从DD域角度出发,基于DD域信道相对稳定且具有循环矩阵形式的特征,提出了一种联合信道估计及信号检测的方案。首先,本文利用正交时频空间调制方式（Orthogonal Time Frequency Space,OTFS）将信道调制到DD域并给出了 DD域信号输入输出关系。随后,利用免疫算法求解初始信道估计结果并提出了基于信息传递（Message Passing,MP）的信号检测方案。最后利用DD域信道的循环矩阵特性,提出了低复杂度的检测信号和信道估计的联合优化方案。