由于大规模多输入多输出(Massive Multi-Input Multi-Output,Massive MIMO)在相关应用中比其它非大规模的系统中具有更好的性能,而使其应用于许多移动系统,同时正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)在有些信道下(如频率选择性信道)也能有更好的性能,如使得频谱效率更加高,因此大规模MIMO与OFDM技术结合即大规模MIMO OFDM成为未来改善无线通信系统性能的关键。传统的信道估计技术中,信道假设为密集多径的,其依靠奈奎斯特采样定理对信道冲激响应进行釆样。由于奈奎斯特釆样定理要求的釆样频率高,信道估计时需要插入更多的导频,这样导致系统的开销增加,频谱利用率降低。对信道的长期研究发现无线信道往往表现出稀疏性,而近几年出现的压缩感知理论与奈奎斯特采样定理不同,它指出,只需要很少的采样点就能以高概率重构稀疏信号,其应用逐渐出现在各个领域。本文在压缩感知理论基础上研究稀疏信道估计算法。首先,研究了压缩感知的信号重构算法,对正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法、正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit,ROMP)算法和迭代硬阈值(Iterative Hard Thresholding,IHT)算法这三种算法进行了详述,详细阐述了这些算法的基本原理和算法的基本流程,并给出各种算法的信号重构成功率与测量数和信号稀疏度的关系图,且对各种算法进行了仿真分析比较,结果表明OMP算法的性能最好,IHT算法性能次之,ROMP算法性能最差。其次,研究了MIMO OFDM系统下的时频联合信道估计。首先讲述信道估计所需的多路无线信道的稀疏共同支撑,文中利用时域的训练序列获得稀疏共同支撑和信道稀疏性水平。然后讲述一种频域的导频模式,并在该导频模式下利用稀疏自适应同步正交匹配追踪算法(Sparsity Adaptive-Simultaneous Orthogonal Matching Pursuit,SA-SOMP)进行信道估计,最后对算法进行仿真分析,并与利用其它方法的信道估计进行性能的比较。最后,本文重点研究了大规模MIMO OFDM系统下的信道估计方法,提出了基于压缩感知的大规模MIMO OFDM系统下的时频训练信道估计的改进算法。对大规模MIMO下的时频联合正交频分复用系统模型进行了详细的描述根据大规模MIMO OFDM系统下信道具有的稀疏性,提出了一种用于频域估计的改进的压缩感知算法-基于先验信息的基于块的正交匹配追踪算法(Apriori information-Based Block Orthogonal Matching Pursuit,AI-BOMP),该算法需要结合时域信道估计得到的信息。仿真结果表明,提出的改进的算法比SOMP算法、传统MMSE估计方法和LS估计方法具有更好的性能。