随着通信技术的不断发展,频分复用模式的大规模多输入多输出系统作为第五代移动通信的核心技术受到众多研究人员的关注。与传统的多输入多输出系统相比,大规模多输入多输出系统利用在基站侧和用户侧安装大规模天线阵列的方式增加空间的自由度,大幅度提高了信道容量和通信可靠性。此外,大规模天线阵列带来的信道硬化现象有效抑制了非相关噪声和小尺度衰落。然而在频分复用模式下,非盲信道估计的导频资源的消耗与天线数成正比,传统的信道估计方法需要大量的导频开销,难以直接应用到大规模多输入多输出系统中。为了充分利用空间复用增益,频分复用大规模多输入多输出系统要求获取准确的信道反馈信息。因此,降低导频序列开销,提高信道估计的准确度成为大规模多输入多输出系统信道估计研究中的主要指标。因此,本论文主要研究了针对频分复用模式下大规模多输入多输出系统的稀疏信道估计算法。通过引入分布式压缩感知理论降低导频开销,提高频谱效率,保证大规模天线阵列优势的充分发挥。目前相关领域的研究人员已经提出了大量的信道估计算法,但是这些算法无法解决过估计或稀疏度自适应的问题。针对这些传统算法的不足,本文从分步正交弱匹配追踪算法入手,逐步深入研究,通过改进算法的截止条件来提高信道估计的准确度,并且自适应稀疏度的变化,从而提高算法的实用性,达到提高通信质量的目的。同时,针对基于分布式压缩感知的信道估计算法提出了新的导频优化方案,进一步提高信道估计的准确度。本文对大规模多输入多输出系统信道矩阵在角域的稀疏性进行了理论上的分析与证明,当不同物理方向上的路径超过角域的分辨力时,这些路径将会合成角域信道矩阵中的一个元素。如果在一个角域窗口中不包含任何路径,那么对应角域信道的矩阵元素为零。根据理论推导可以得出信道矩阵中的绝大部分元素均近似为零值,只有小部分的元素为非零值,因此信道矩阵在角度域具有稀疏性。在大规模多输入多输出系统中,基站一般位于海拔较高位置,其周围散射体较少,因此基站侧的角度扩展远远小于在海拔较低位置,周围散射体多的用户侧。并且,用户侧的多根天线大多处于同一位置,其周围散射体相同,因此在信道矩阵各个天线对应的信道向量具有相同位置的非零元素,呈现联合稀疏性,信道估计应在角域完成。考虑到用户侧硬件条件有限,信道估计算法的复杂度不能过高,本文根据大规模多输入多输出信道的共同稀疏性,提出了基于分布式压缩感知的分步正交弱匹配追踪算法,该算法实现了对信道矩阵的直接估计,提高了传统分步正交弱匹配追踪算法的实用性。为解决原算法中的过估计问题,本文根据信道稀疏度的先验知识,当信道矩阵的非零行数大于信道稀疏度时,对信道矩阵中的支撑集进行修剪,保留支撑集中对应较大信道系数的向量,并且利用新的支撑集重新估计信道矩阵,作为信道估计的最终结果。信道的先验知识可以由离线的信道参数测量获得。由于在每次迭代的过程中,都将信号和残差投影到与所有已选择导频向量张成的投影空间中,根据投影矩阵的性质和残差与已选择导频向量的正交性,已经被选择的导频向量不会被重复选择,从而提高了该信道估计算法的准确度。数值仿真的结果表明,无论在噪声较小或者噪声较大的环境下,本文提出的基于分布式压缩感知的分步正交弱匹配追踪信道估计算法可以实现比基于传统的分步正交匹配追踪信道估计算法更低的归一化均方误差。并且,基于分布式压缩感知的分步正交弱匹配追踪信道估计算法需要的导频数量更少。在实际应用中,以信道稀疏度作为截止条件的信道估计算法性能受到信道稀疏度先验信息准确度的影响,因此本文提出了稀疏度自适应的分布式分步正交弱匹配追踪算法。在分步正交弱匹配追踪算法中,计算导频矩阵的各列与残差矩阵的相关性是算法的核心步骤,在每次迭代的过程中,算法将选择导频矩阵中与残差矩阵相关性最大的几列向量加入到支撑集中。通过理论推导发现,当信道矩阵中的所有非零行都被估计出后,相关值会有一个明显的下降,并且如果迭代继续进行,之后的相关值相差很小。通过理论分析,本论文推导出当信道矩阵中的支撑集被估计出之后的每次迭代中相关值的理论上界,该上界与噪声矩阵在正确支撑集上的正交投影有关。为分辨信道矩阵中的支撑集是否都被正确估计,本文分别比较了前一次迭代和后一次迭代的相关值的斜率值和取对数斜率后的斜率值,在信噪比较小的情况下,前后两次相关值的斜率值可能会出现多个峰值,因而对于截止条件的判断会产生影响。取对数斜率后的斜率值在支撑集被正确估计后,会产生明显的峰值,因此作为算法的截止条件是合理的。若斜率值未出现明显变化,那么将前几次迭代的对数斜率值进行平均,以减少误判的发生。另外,本文对提出的两种信道估计算法以及传统的分步正交弱匹配追踪信道估计算法进行了计算复杂度的分析。在本文提出的两种算法的迭代过程中,信道估计利用向量之间的联合稀疏性以矩阵的形式估计,而传统的分步正交弱匹配追踪信道算法是以向量的形式估计,对于每一列信道向量估计时都会重复计算支撑集的伪逆矩阵,因此随着用户侧天线数量的增加,计算复杂度将逐渐加大。从计算复杂度上也可以看出,本文所提出的两种算法具有较低的计算复杂度,更加适合实际应用,另外仿真结果表明该分布式稀疏度自适应分步正交弱匹配追踪信道估计算法可以达到与已知信道稀疏度先验知识的分布式分步正交弱匹配追踪算法相近的性能。对于基于压缩感知的信道估计算法而言,导频矩阵的设计准则与传统的信道估计方法并不相同。压缩感知理论指出,在高斯白噪声的环境下,测量矩阵的互相关值决定了信号的重构误差,其中互相关值定义为测量矩阵中各列的内积的最大值。此外,测量矩阵还需要满足有限等距性质,才可以成功重构信号。本文根据以上设计原则,提出了基于粒子群算法的导频矩阵优化方法。由于部分傅里叶矩阵满足有限等距性质,且可以利用快速傅里叶变换减少计算复杂度,本文采用部分傅里叶矩阵作为角域的导频矩阵,导频矩阵的互相关值以其格拉姆矩阵中非对角线元素的最大值计算。在粒子群算法的迭代过程中,难以保证各个粒子的位置均不相同,因此本文采用被选择的导频向量间隔代替导频的实际位置,并将导频间隔集合作为各个粒子,计算对应的导频矩阵的互相关值作为粒子群算法中评价各个粒子优劣的适应度函数。在迭代过程中,通过粒子群自身的不断进化来得到适应度最优的粒子,即互相关值最低的导频间隔集合作为最终的导频矩阵。与常用的高斯随机矩阵相比,确定性的部分傅里叶矩阵更容易在硬件上实现。相关的数值仿真表明,应用本文优化后的导频矩阵比高斯随机矩阵的归一化均方误差更低,并且该优化过程在信道估计之前完成,并未增加额外的计算复杂度。在频分复用大规模多输入多输出系统模型下,本文以分步正交弱匹配追踪算法为基础,进一步提出了基于分布式压缩感知的分步正交弱匹配追踪信道估计算法和稀疏度自适应的分步正交弱匹配追踪信道估计算法。相对于传统的信道估计算法而言,基于压缩感知的信道估计算法可以极大地减少导频开销。通过应用分布式压缩感知的理论和大规模多输入多输出信道的联合稀疏特性,本文提出的两种信道估计算法具有更低的归一化均方误差和更少的导频开销,更加适合在频分复用模式下的大规模多输入多输出系统,提高通信质量。并且,这两种算法在稀疏度变化的环境下有更加稳定的表现。另外,本文提出的基于粒子群算法的导频矩阵优化方案可以进一步的提高信道估计的准确度,更加适合基于压缩感知的信道估计方法。