面对着日益增长的无线数据流量需求,毫米波通信以其丰富的频谱资源成为了支撑高速无线通信的重要技术。同时,随着5G商用的进一步铺开以及未来6G网络带来的智慧城市、自动驾驶等新兴产业,毫米波通信所具有的超低时延、超大带宽的特性将使其成为促使新业务发展的最佳驱动力。但是,由于毫米波信号频率高、波长短等特点,毫米波通信系统的信道衰减剧烈,导致其传输距离大大缩短。为了克服这些缺点,毫米波通信系统常采用高度定向的波束成形技术来提供足够的发射和接收增益,以克服毫米波波段中遇到的大路径损耗问题。通常,毫米波通信系统通过波束训练来设计准确的波束成形,这在变化相对缓慢或静态的环境中是实用的,但在快速变化的环境（例如车辆移动环境）中,这种波束训练的方式将产生巨大的开销。因此,设计有效的信道追踪算法来减少频繁波束训练产生的开销,对毫米波通信在移动环境中的应用是非常重要的。本文旨在研究毫米波通信系统中关键的信道追踪技术,从实现毫米波通信系统用户轨迹的追踪,逐步扩展到针对毫米波信道状态信息的追踪,并针对多基站毫米波网络信道进行协同追踪设计,在这些方向上均做了详细的信道追踪方面的研究,并进行了性能验证。论文主要工作和贡献可归纳如下:（1）首先对传统的毫米波信道追踪方法进行总结,并根据毫米波通信系统的特点进行改进,实现了两种改进的卡尔曼滤波信道追踪算法。针对复杂毫米波网络的结构特性,提出将机器学习与卡尔曼滤波进行结合的新型信道追踪算法,且其性能优于传统算法。（2）考虑到毫米波通信中频繁的信道估计所带来的巨大开销,研究了毫米波接收信号与信道追踪的关系,设计了使用过去时间的信息来帮助预测的机器学习模型,并分别针对不同的毫米波场景进行设计,可以提升系统在极端环境下的追踪准确率。（3）最后,本文考虑了更为复杂的多基站毫米波车载移动网络,该通信场景由于终端移动速度较快、基站频繁切换等原因,对信道追踪算法提出了更高的要求。针对车载用户在移动过程中可能发生的波束切换,设计了云端部署的基于机器学习的协同信道追踪算法,并进行了仿真测试,实现了多基站毫米波系统对于信道的准确预测。本文的研究成果,不仅能促进毫米波通信的发展,增强毫米波无线通信网络对移动终端的支持,还将为下一代毫米波移动网络的研究、实用和标准制定提供技术支撑。