得益于高频段丰富的频谱资源,基于毫米波的无线通信系统是未来提升业务服务能力重要手段之一。由于毫米波信号的高路径损耗特点,需要利用波束赋形技术形成高增益的窄波束进行通信。在高速移动场景下,由于收发端相对位置的不断变化,需要频繁地进行波束赋形。然而,传统的波束赋形算法需要进行复杂度较高的信道估计,造成较大的系统开销。由于毫米波的短波长特点,收发机之间的通信链路越来越短,趋近于视距连接,可以通过视觉图片中的额外信息辅助波束预测。因此,本文的研究内容是在嵌入式平台上设计和实现基于视觉学习的毫米波波束追踪增强算法,具体研究内容包括:（1）基于视觉学习的波束追踪增强算法设计为解决在高移动性场景中传统波束追踪算法的高系统开销问题,本文针对车辆移动场景进行了基于视觉学习的波束追踪增强算法设计。首先,对波束追踪任务进行系统和信道建模,并对任务的目标进行数学定义;其次,融合了视觉特征和波束赋形向量,提出了基于视觉学习的波束追踪增强算法,主要包括特征提取模块、数据预处理模块和波束预测模块等,通过历史序列数据对未来多个时刻的波束赋形向量进行预测;此外,为提升模型的泛化性能,本文还设计了多个相关学习损失函数进行联合多任务学习训练;最后,通过与基准模型的对比实验和自身消融实验验证了本文所提出算法的有效性。（2）波束追踪算法在嵌入式平台的实现为验证算法的可实施性,本文在嵌入式平台上进行了算法部署。首先,为方便模型部署,进行了算法移植,把服务器端训练好的Pytorch模型转换成TFLite模型;同时,在嵌入式平台上实现了数据预处理模块和推理模块用于实际的算法运行;其次,为进一步提升算法的推理速度,本文进行了模型优化设计,包括基于通道剪枝的模型压缩、模型权值量化和联合编译优化;最后,对设计的优化进行了测试实验,验证了优化的有效性,并说明了本文所提出算法的工程可实现性。