随着人类生活质量的普遍提高,对未来科学技术的发展有了进一步的展望,这其中也包括移动通信技术。UFMC和FBMC作为5G通信系统的候选,有着节省频谱利用率和抑制带外泄露的优点。同时,传统的信道估计方法需要大量的导频信息且重构精度不高,为了解决这一问题,压缩感知算法应运而生并且广泛使用在各个领域。本文主要研究了压缩感知理论在UFMC和FBMC系统信道估计中的应用,并结合信道均衡算法,最后得到补偿后的信号。使用本文提出的信道估计算法得到的补偿信号与原始信号的误比特率相比于传统算法有所降低。本文在第三章首先介绍了SAMP算法,发现SAMP算法最终选取出来的原子集矩阵与残差信号相关性不高,于是本文提出了基于SAMP算法的RSAMP算法。该算法是将正则化的思想引入SAMP算法中,使得在每次迭代原子时多一层筛选,筛选的标准为再一次选取的原子集中的原子与残差的最大值不能超过最小值的两倍且保证能量最大。这样的筛选可以进一步保证最后更新得到的原子集是与待估计参数最为相关的,从而提高重构精度。本文在第四章中首先推导出完备的BCS算法,在推导过程中发现传统的BCS算法在求解过度参数时迭代方式可以改进,而过渡参数的恢复直接影响到待估计参数的重构。于是本文借鉴贪婪算法中预留候选原子和变步长正则化的思路,提出了两种改进的BCS算法。BCS算法以稀疏度K为结束条件,迭代后非零分量的位置即为待估参数的非零位置,这样的做法不够严谨。在DBCS算法中,预留出K个位置作为备选,在迭代结束后可以从2K个位置中选取出K个位置构成过渡参数,这样的多次筛选可以提高重构精度;BCS算法每次只选取一个位置置1,而本文提出的RBCS算法每次迭代时使M个非零位置置1,然后从M个位置中选取出L个分量,每次迭代结束后更新M,这样可以保证选取的位置更加接近。最后通过软件平台仿真得出改进后的BCS算法总体上有1至2dB的性能提高。