智能电网高速发展,电力设备巡检维护至关重要。5G技术的大带宽、高可靠和低时延通信能够满足无人机巡检的需求。然而输电线路走廊环境复杂多变,无人机与基站的信道环境和信道传输系数实时变化。为了保障通信的可靠性和有效性,无人机终端需要实时估计和跟踪变化后的信道传输系数,并将其反馈于基站。本文基于大规模多输入多输出（Multiple Input Multiple Output,MIMO）无人机通信场景,构建该场景下无人机终端与基站的信道模型,解决该场景下信道状态信息（Channel State Information,CSI）的估计、跟踪及反馈问题。主要研究内容如下:在无人机巡检通信场景中针对信道状态信息反馈开销过大问题,依托深度学习技术,提出大规模MIMO系统中的信道反馈算法。算法同时保证降低反馈开销和信道反馈的重建精度,基于自动编码器提出的UAVCsi Net,帮助CSI进行反馈重建。在特征提取部分利用循环神经网络的记忆存储特性和时空分离特征进行提取,在特征恢复中利用深度可分离卷积降低模型大小并增加通道间的交互性联合提高恢复精度。在压缩和解压缩部分利用长短时记忆网络的记忆特征来学习无人机信道的时间相关性,同时引入注意力机制来自动确定特征信息的优先级和权重,增强对信道中的时空特征表示。仿真实验表明算法具有良好的信道反馈重建性能,为解决无人机巡检通信系统中CSI反馈问题提供了重要思想和解决方案。在无人机巡检通信系统的信道估计过程中,导频信号在无人机信道传输过程中遭受噪声干扰,限制了信道估计的准确性。针对噪声问题,提出基于改进的阈值判决和多帧平均联合降噪的信道估计方法。首先运用基于均方误差（Mean Square Error,MSE）准则的阈值判决法移除纯噪声采样点来降低噪声影响。其次,在阈值判决后非零路径仍会残余部分噪声,考虑到无人机信道的时间相关特性,采用多帧平均的方式降低残留噪声的干扰,并在无人机巡检状态时考虑多普勒失真对平均帧数的影响,自适应调整平均帧数。最后,通过实验仿真验证得到该方法相比传统的信道估计方法具有更好的性能,适用于无人机通信场景,能够有效地提高信道估计的准确性。