无线信道场景环境复杂多变,为了提升通信系统的性能,需要对各信道场景配置不同的物理层技术,此时对无线信道场景进行准确的识别尤为重要。在信道场景识别研究中,不同信道场景的小尺度衰落统计特性差异明显,因此可以将其作为信道场景的特征。采用小尺度衰落统计特性分析方法可以获取符合信道场景要求的特征数据,能够进一步提升识别准确度。本文围绕小尺度衰落统计特性分析的瑞利信道场景识别问题展开理论与应用研究,主要研究工作如下:（1）提出了瑞利信道模型的小尺度衰落统计特性分析方法。针对现有的瑞利信道模型一阶统计特性分析方法数据处理方式复杂、统计性能不稳定、误差大等问题,提出了一种基于Anderson-Darling检验的一阶统计特性分析方法,可用于检验瑞利信道模型的一阶统计特性分布,并以此检验信道模型是否满足瑞利衰落信道场景要求;针对信道二阶统计特性功率谱的量化难题,提出了一种基于平均绝对误差的二阶统计特性分析方法,该方法通过计算二阶统计特性的平均绝对误差值,根据工程阈值分析是否满足瑞利衰落信道场景要求。（2）实现瑞利信道场景数据的获取。针对现有瑞利信道模型中存在部分数据不满足信道场景要求这一问题,通过采用瑞利信道模型的小尺度衰落统计特性分析方法,分析小尺度衰落统计特性是否满足信道场景要求,实现瑞利—经典、瑞利—高斯、瑞利—平坦、瑞利—巴特沃斯和瑞利—圆拱等五种瑞利信道场景数据的获取。（3）提出了基于小尺度衰落统计特性分析的瑞利信道场景识别方法。针对现有信道场景识别方法识别准确度低、收敛速度慢等问题,提出了一种基于小尺度衰落统计特性分析的瑞利信道场景识别方法,该方法通过引入非线性收敛因子和自适应交叉变异对WOA-BP神经网络进行改进,将选择获取的功率谱数据作为特征识别五类瑞利信道场景。实验表明:所提出的统计特性分析方法能够稳定、准确的分析信道小尺度衰落统计特性,并能够选择获取满足信道场景要求的信道数据。所提瑞利信道场景识别方法通过对智能算法的改进,能够准确的识别五类瑞利信道场景,与改进前的WOA-BP神经网络相比,提升了识别速度和准确率。