将扩大基站的天线规模技术称为大规模多输入多输出(Massive Multiple-input multipleoutput,Massive MIMO),能够同时为多个单天线用户提供服务。而正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术具有较高的频谱利用率和优良的抵抗干扰能力。针对如今日渐珍贵的频谱与能量资源,MIMO和OFDM技术结合是必然的趋势。准确地得到信道状态信息(Channel State Infirmation,CSI)可以发挥MIMO OFDM技术的巨大优势。实际传输环境中主要是采用基于导频的信道估计方法。压缩感知理论被广泛地使用在MIMO OFDM的系统中,它在降低导频消耗方面有显著的效果。介于现有基于压缩感知(Compressive Sensing,CS)的稀疏信道估计算法不仅运行时间较长,而且估算复杂度也高、导频消耗比较大。本篇论文主要做关于Massive MIMO OFDM系统的导频设计和信道估计方法的改进工作:(1)确立本文的研究的信道估计方法:按照是否使用导频符号,信道估计方法被划分为三类,导频辅助估计方法、盲估计方法以及半盲估计方法,具体讨论三类算法实用性,基于导频估计方法被确立为本文的研究方向。(2)综合论述压缩感知的理论知识,然后由MIMO引申到Massive MIMO技术,从系统容量论证了Massive MIMO是无线通信系统的发展趋势,阐述OFDM基本思路,证明两者结合的优势所在。MIMO的传统信道估计方法包含最小二乘(Least Squares,LS)、最小均方误差(Minimum Mean Squared Error,MMSE)方法,详述两者不适合对Massive MIMO系统进行估计。继而分析两个贪婪类的信道估计方法:正交匹配追踪(Orthogonal Mathing Pursuit,OMP)、稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)方法,论述OMP、SAMP估计方法存在的缺点。(3)应用结构化压缩感知理论:发掘到信道存在的结构化稀疏特点,分析了多测量向量(Multiple Measurement Vector,MMV)模型下的恢复方法。并且采用基于CS的非正交导频设计,提出改进的结构化正交匹配追踪方法(Structured Othogonal Matching Pursuit,SOMP),仿真表明提出的方法在性能上得到可靠的提升。(4)通过分析不同子载波间虚拟角度域的共同稀疏性,提出虚拟角度域结构化正交匹配追踪(Virtual Angle domain Structured Othogonal Matching Pursuit,VA-SOMP)方法。介绍广义多测量向量(Generalized Multiple Measurement Vector,GMMV)恢复模型,设计了非正交导频方案。根据仿真结果得出,基于此设计的VA-SOMP方法在比传统方法估计准确度高,与理想曲线接近。