在众多基于无线通信的应用中,无线信号的非视距传播会严重影响甚至降低无线应用的性能。对无线信号传播状态进行识别从而区分出非视距传播有助于加强这些无线产品的应用。现如今,为了满足日益增长的通信流量需求,毫米波通信已经成为下一代移动通信的关键技术。不仅仅限于移动通信领域,在室内定位领域,手势感知领域,毫米波也在扮演着越来越重要的角色,并在未来众多的通信技术中拥有着广阔的应用前景。因此完成毫米波系统下的信道传播状态识别研究具有重要的价值和意义。本文的研究重点是面向宽带毫米波系统,基于机器学习方法开展的信道传播状态识别。首先用信道探测设备获取典型复杂室内场景下的真实信道数据,完成信道特征参数的提取。然后通过分析宽带毫米波系统下的信道特征参数分类性能,明确了宽带毫米波系统下一些信道特征参数的信道识别有效性。接下来,利用机器学习方法联合多个信道特征参数,完成了视距/非视距传播的高精度识别。在使用集成学习中的模型堆叠策略后,融合了多个模型,提出了一种鲁棒性更高,分类性能更优的深度堆叠集成模型。本文的主要研究内容如下:1.典型复杂室内场景下真实信道数据获取。真实可靠的信道数据是研究分析的基础,我们利用课题组已有的专业信道探测设备,选定了一个符合典型室内传播场景的场地开展了信道探测实验。整个实验充分考虑了建筑物布局的多样性,全面地收集了整个场景内的信道数据信息,包括了丰富的视距传播样本以及不同情况导致的非视距传播样本。2.宽带毫米波系统下信道特征参数分类性能研究。相对于微波通信,毫米波有着更大的可用带宽,更强的定向性以及较差的传播能力。考虑到信道传播识别领域的研究大都基于WiFi系统或者UWB系统,有必要针对毫米波系统完成其信道特征参数分类性能的研究。本文基于典型复杂室内场景下获取的信道数据,完成了信道特征参数的提取。重点绘制了信道特征参数在两种传播状态下的分布情况,明确了这些参数用来实现空间中信道传播状态识别的有效性,并结合毫米波宽带信道的特点,从实际信道探测的角度给出了定性的解释。3.基于机器学习的信道传播状态识别研究。本文主要基于机器学习中集成学习的思想,利用机器学习方法实现了宽带毫米波系统下的高精度信道传播状态识别。首先,本文首次在信道传播识别领域引入了极限梯度提升树模型,实现了高准确率的视距/非视距传播分类,同时还完成了特征参数的相关性分析和特征重要性分析。在这个基础上,本文基于集成学习中的模型堆叠策略,提出了一种鲁棒性更高,分类精度更高的深度堆叠模型。本文还基于相同的数据样本完成了该模型与经典的SVM,RF模型的对比分析,验证了所提模型的有效性和优异性。