在关于5G的愿景中,人们希望在未来任何人和任何事物在任何时间和任何地点都能够获得和分享信息。随着数据时代的飞速发展,人们对于信息通讯的传输速度、容量和频谱效率等方面的要求不断地提高。大规模MIMO技术是一项实现人们需求、并且带来质变的技术。随着研究人员不断地探讨与改进,大规模MIMO在概念标准和实践应用方面均取得了令人瞩目的成果。OFDM技术作为一种较为成熟的调制技术将更加有利于高质量的无线通信。为了获得更好的通信传输效果,信道状态信息对可靠通信而言至关重要,在无线通信系统的接收端,信道状态信息将被用于相干检测和解码。因此,使用高精度且计算复杂度低的信道估计算法及其重要。大规模MIMO信道估计算法常被分为三类:基于导频的非盲、半盲和盲信道估计。本文通过对基于导频的非盲、半盲信道估计的公式推导和相应算法的误差分析,仿真比较了非盲和半盲信道估计的性能,并创新性地分析比较了在不同情况下大规模MIMO系统中两种半盲信道估计算法计算复杂度的优劣,为实际应用中半盲信道估计算法的选择提出了创新性观点。近年来,随着人工智能的热潮不断涌来,原先的理论分析可能将不适用于如今复杂的5G无线通信系统环境,研究人员自然而然将目光投射到将深度学习应用到信道估计的可能。这种新型的信道估计方式,通过对大量数据的训练学习,分析出信道内部自身存在的特征并最终形成最优模型,自主地完成信道估计任务。本文通过对现有的基于深度学习的信道估计方案分析,创新性地从模型结构、输入输出数据集选取等角度对基于深度学习的信道估计进行了分类并对比分析总结其特点,对该领域现存的问题提出相应的看法。