目前大规模多输入多输出(Massive Multiple Input and Multiple Output,Massive MIMO)技术被认为是5G最具潜力的传输技术之一。大规模MIMO技术在基站侧配置大规模天线阵列(从几十至几百),利用空分多址技术在同一时频资源上服务多个用户终端,大幅提高了频谱效率。但是,大规模MIMO技术在实际应用中仍然存在一些亟待解决的问题。本论文针对大规模MIMO时分双工(Time Division Duplex,TDD)制式下的导频污染问题,进行了如下研究:1.提出了结合离散傅里叶变换(Discrete Fourier Transform,DFT)与最小二乘(Least Square,LS)的导频污染抑制方案,记为DFT-LS。DFT-LS利用大规模MIMO基站高空间分辨率的特点,首先采用LS信道估计,再使用DFT将LS估计结果映射到角度域,通过到达角(Angle of Arrival,AOA)信息在角度域设置保护带来保护期望信道信息并抑制干扰信道信息,最后使用DFT逆变换恢复期望信道信息。根据基站处期望信号AOA信息是否精确,以及能否获取干扰信号AOA信息,讨论了三种情况下的保护带设置准则。理论和仿真分析表明,三种情况下,DFT-LS都可以有效地利用期望和干扰信号的AOA信息减轻导频污染对系统性能的抑制。2.导频污染影响的严重性与导频分配息息相关,合理地使用导频资源可以减轻导频污染对系统的影响。寻找使小区和容量最大的导频分配方式可以抽象成旅行商问题,借鉴旅行商问题的解决方案,本文首次提出了基于迟滞噪声混沌神经网络(Hysteretic Noise Chaotic Neural Network,HNCNN)的导频分配方案。迟滞噪声混沌神经网络作为良好的优化工具,其优化能力与所设计的能量函数相关,该方案结合导频资源使用的特点以及最大化小区和容量的计算方式,设计了新的能量函数。仿真结果表明,网络能在一定迭代次数后收敛到较优的导频分配方式。与随机导频分配相比,采用以HNCNN为框架求取导频分配方式,可以减轻导频污染的影响,使系统性能得到改善。