高速场景下,由于用户移动速度过快会带来很多问题,比如多普勒频移的增大以及传输时延的变化。当用户处于高速运动时,由于多普勒频移的增加,使得OFDM系统中的子载波正交性得到破坏,信道估计的准确性下降,从而导致系统性能降低。通信当中会依据当前的多普勒频移条件进行一定的自适应调整来适应环境的变化,所以多普勒频移估计算法的研究十分重要。而网络时延的估计精度对系统的性能有很大影响,其会受到通信过程传输距离、网络负载以及时延抖动变化的影响,在高速运动中会造成传输时延的变化,但如今的网络时延估计大多利用时延的历史信息来进行估计,而没有考虑网络负载以及移动速度变化带来的影响,这些时延突变会造成一定的估计误差。为了解决多普勒频移估计和网络时延估计中面临的问题,本文基于卡尔曼算法对这些问题进行了仿真研究。本文首先搭建了一个链路级仿真平台,实现了物理层的通信过程,并对四种常用的预编码方式比如基于ZF准则的预编码、基于MMSE准则的预编码、基于SVD分解的预编码以及基于GMD分解的预编码算法进行了仿真分析,并比较了几种方式的优劣性,其中基于ZF准则的预编码方案能够很好降低信道间的干扰,而基于MMSE准则的预编码算法将系统噪声引入到了算法之中,并且降低了系统噪声的干扰,从理论上来讲基于MMSE准则的预编码算法要更加优异一些。基于GMD的预编码算法会同性能较差的子信道分配更多的功率,从而使每个信道的性能相似,所以会优于基于SVD分解的预编码的性能。通过对这些预编码的仿真从而验证了 LTE链路级仿真平台的准确性,为后续研究提供了一个良好的仿真环境。对于多普勒频移的估计,本文首先对基于相位差分法的多普勒频移估计算法进行了仿真研究,但相位差分法在高速场景下会面临多普勒频移近似相等前提条件的不准确问题,为弥补这一问题的影响,引入了卡尔曼滤波算法,并与相位差分相结合,通过引入多普勒频移的一阶项,并通过与观测方程之间的权重关系平衡来降低了相位差分的误差。为了体现多普勒频移估计的效果采用了基于多普勒频移的自适应导频间隔,从而可以适应信道的变化。最后针对观测噪声协方差对卡尔曼滤波的影响,通过观测值与估计值之间的误差值来调整权重因子,降低观测误差的影响,这种基于观测误差来自适应调整观测噪声协方差的自适应卡尔曼算法,可以提高滤波估计精度。对于网络时延的估计,本文首先基于经典卡尔曼滤波算法和平方根卡尔曼滤波算法对网络时延进行了估计,验证了移动速度、网络负载对估计的影响。为降低这些因素的影响提出了基于多元线性回归的卡尔曼算法,通过多元线性回归估计出上述参数与网络时延变化的关系,并将这种关系引入卡尔曼滤波之中,从而降低这些因素对估计误差的影响,提高估计精度。