大规模多输入多输出（Multiple Input Multiple Output,MIMO）作为移动通信系统关键技术之一,其系统增益的基础在于基站能够精确获取信道状态信息（Channel State Information,CSI）。在目前广泛使用的频分双工（Frequency Division Duplex,FDD）制式下,由于通信系统的上下行信道不具有互易性,因此基站只能通过CSI反馈来获取下行链路的CSI。然而,CSI反馈开销随着大规模MIMO天线数量的增多而急剧增大。因此,研究适用于FDD制式下大规模MIMO系统的CSI反馈方法成为当下研究领域的亟待解决的难题。近年来,深度学习（Deep Learning,DL）技术的飞速发展为解决大规模MIMO系统中的CSI反馈提供新的思路。因此,本文围绕基于DL技术的FDD大规模MIMO系统信道反馈技术展开研究,具体研究内容如下:1.针对现有基于DL的CSI反馈方法不能很好提取CSI特征信息的问题,基于DL提出了一种非对称多分辨率卷积的CSI反馈网络。将不同环境下的CSI进行可视化,并以图像的角度来分析CSI相关特性,然后在此基础上提出一种多分辨率卷积网络来提取不同分辨率下CSI的特征信息。同时,将非对称卷积技术与提出的多分辨率卷积相结合来充分提取CSI相关特征。另外,使用密集连接网络来恢复CSI局部细节特征。仿真将所提方法与基于DL的Csi Net反馈网络在归一化均方误差、余弦相似度和参数量与计算量等方面进行对比与分析,结果表明,所提的反馈网络拥有更高的CSI重构精度,同时减小了网络的参数量与计算量。2.针对现有基于DL的CSI反馈方法在用户端实际部署时可行性较差的问题,基于卷积神经网络提出了一种的轻量级的CSI反馈网络,并利用深度可分离卷积技术来减小反馈网络的参数量与计算量。考虑用户端实际部署,设计了在不同压缩比条件下以及在不同环境条件下的多任务融合反馈网络。仿真将所提方法与基于DL的Conv Csi Net和Shuffle Net反馈网络在归一化均方误差和参数量与计算量等方面进行对比与分析,结果表明,所提的反馈网络在保持较高CSI重构精度的前提下,可以极大减少用户端在实际部署时所需的参数量和计算量。