Massive MIMO技术是5G的关键技术之一,其能够显著提升系统的频谱效率,满足新时代下互联网智能设备进一步提升的应用要求。而Massive MIMO检测算法的性能直接决定了系统的优劣,在传统MIMO系统中常被使用的一些检测算法伴随着Massive MIMO中天线数规模的大量增加而变得复杂度过高或性能较差,这种情况下,针对Massive MIMO系统设计信号检测算法成为了Massive MIMO重要的研究方向之一。而近年来,机器学习神经网络凭借其强大的学习运算能力和通用性,已被当做一个用力工具广泛用于在无线通信领域的研究之中,对于传统通信的模型设计是一个有力补充。本文首先对现有的Massive MIMO信号检测算法进行了总结与分析对比,分别指出各自的优势和不足。然后就一种利用Massive MIMO特有的信道硬化现象建模设计的高斯近似消息传递法(MPD)进行分析,通过一种带修正偏差的指数平滑加权法对该方法的运算结果进行加权计算,改进其结果的收敛性,同时通过仿真验证了MPD检测性能的优越性。然后,针对MPD存在的结果收敛所需迭代次数过多进而导致复杂度高的问题,引入了神经网络的方法,将多次迭代的MPD检测映射为一种多层的神经网络模型,通过可训练的神经网络矩阵参数改进设计MPD的计算过程,以提升MPD检测的精确度,并通过softmax回归函数对神经网络每层输出的检测值进行灵活的加权求和得到准确的收敛结果,将设计的模型命名为SNN-MPD。最后通过仿真,验证了SNN-MPD可以大大降低MPD结果收敛所需的迭代计算次数,从而降低了计算复杂度;同时,在结果收敛状态下,SNN-MPD的检测精度也在MPD的基础上有较大提升。