近年来,随着移动通信的快速发展,5G无线通信技术已经成为当下通信领域的重要组成部分。大规模MIMO（Multiple-Input Multiple-Output,MIMO）通信系统在能量效率、设备成本、抗干扰能力上有巨大优势,因而成为5G及未来通信的关键技术之一,并且将会得到更大的发展和更广泛的应用。针对信道的研究是大规模MIMO系统中很重要的一部分,在使用时分双工（Time Division Duplexing,TDD）模式的大规模MIMO系统中,由于上下行信道具有互易性,我们需要在基站端确知当前的信道状态信息（Channel State Information,CSI）以用于下行信道的预编码和波束赋形,但是在用户移动过程中,上行信道与下行信道将会存在一定差异性,因此造成了信道老化问题。信道估计的方法在CSI维度较高、复杂性较大的情况下将很难实时且准确地获取CSI,因此我们考虑利用信道预测方法解决此问题。而深度学习理论为信道预测研究注入了新的活力,将深度学习的方法扩展到大规模MIMO系统的信道预测中将极具潜力。因此,本文对基于深度学习的大规模MIMO信道预测进行研究。本文首先针对大规模MIMO通信系统的系统模型进行阐述,从而分析大规模MIMO系统的信道特性,针对不同场景、不同移动速度的信道时变特性,引出了在大规模MIMO通信系统中需要解决的信道老化问题。通过调研基于“大数据”背景下的数据驱动方法的优势,阐明了本文采用深度学习解决信道预测问题的原因。并着重讨论了本文研究中所采用的卷积神经网络（Convolution Neural Network,CNN）和循环神经网络（Recurrent Neural Network,RNN）,而后引出了长短时记忆网络（Long Short-Term Memory,LSTM）。同时也阐述了利用COST2100无线通信模型及实测数据产生了本次研究所采用的数据集。本文研究了大规模MIMO系统不同场景下的信道预测方法,本文通过分析信道状态信息之间的空间和时间相关性,引出了预测模型构建思路。提出了利用CNN和LSTM来构建信道预测模型,结合CNN特征学习和LSTM网络学习长相关性序列预测的特点,处理同时具有空域、频域、时域等多维特征的MIMO系统的信道状态信息。在算法模型中,利用三维卷积神经网络（3D CNN）学习信道状态信息的局部特征,通过卷积长短时记忆网络（Convolution Long Short-Term Memory,Conv LSTM）作为预测器,最后通过2D CNN完成特征恢复,最终完成信道预测。同时,本文利用基于COST2100无线通信模型的仿真数据集对神经网络模型进行预训练,在预训练模型的基础上,采用实测信道数据集对模型进行辅助训练,使模型在实测数据集上具有更好的泛化能力。本文利用归一化最小均方差（Normalized Mean Square Error,NMSE）,和基于线性预编码下的多用户MIMO下行信道的合速率（sum-rate）等评价指标来对基于深度学习的信道预测模型的预测性能进行评估,并且与传统序列预测方法自回归模型（Autoregressive Model,AR）进行实现和对比分析。在预测精度上比AR提高至少15%,在线性预编码方式下,系统性能比AR提高至少10%。因此得出结论,本文提出的基于深度学习的预测方法整体上优于AR预测方法。