大规模多输入多输出（Massive Multiple-Input Multiple-Output,Massive MIMO）技术作为第五代移动通信（Fifth Generation Mobile Communication,5G）的核心技术而备受关注。该技术通过在蜂窝基站处配置大量天线,获得更好的鲁棒性,提升通信系统的能量效率及频谱效率。但是在Massive MIMO系统中,由于高昂的硬件成本与巨大功耗很难实现每根天线均配备射频链路,致使信道估计成为具有挑战性的问题。目前针对Massive MIMO系统的研究,主要基于已知的信道状态信息（Channel State Information,CSI）。但是现存的信道估计技术仍然存在运算复杂度高,获取CSI准确率低与导频污染等问题,因此优化信道估计技术是提升系统性能的关键方式。随着科技的快速发展,深度学习（Deep Learning,DL）的潜力不断被挖掘。在计算机视觉,自然语言处理和机器人等领域,DL展现出较好的性能优势。目前基于DL处理复杂通信系统的方式已经得到了学术界的广泛关注,研究表明在Massive MIMO系统中应用DL进行信道估计的性能优于传统信道估计算法,展现出其强大的学习能力与数据处理能力,有效地对抗无线通信系统中的信道失真与干扰问题。但是基于DL的研究仍然存在不足,且信道估计的精度有待提高。多数研究是先通过较长的导频序列进行估计获得粗略的CSI,然后再经过神经网络训练获得精确值,因此依旧存在导频污染问题。数据集作为神经网络训练的基础,需要大量且真实的数据集是获取准确结果的关键,但是在数据集获取方面依旧存在失真性的问题。对抗信道时变特性方面,缺少高效解决的方案。损失函数的设计方面依旧存在可靠性低的问题。针对DL网络技术中仍然存在的不足,本文在配备低分辨率数模转换器的Massive MIMO系统中提出基于注意力机制的生成对抗性神经网络模型（Attention Generative Adversarial Networks,AGANet）,通过接收信号配合少量导频进行训练直接完成映射,改善信道估计性能,获得更精确的CSI。仅使用较短的导频序列,解决导频复用带来的导频污染问题。根据真实信道参数获取准确数据集,模块化训练,具有强鲁棒性以对抗信道的时变特性。仿真结果显示优于传统信道估计算法与同等架构下的卷积神经网络。