为了满足当今信息高速率传输的要求,无线通信系统需要准确的信道状态信息(Channel State Information, CSI)。最近一段时间的实验研究发现,当通信系统的带宽、符号持续时间增大,并拥有大量天线时,无线信道呈现稀疏性。传统的信道估计方法,如最小二乘(Least Square, LS)算法,没有利用信道的稀疏性,需要较多的训练序列。压缩感知(Compressed Sensing, Cs)理论在通信领域中受到了广泛的关注,并且已经被应用到信道估计中。利用压缩感知可以使用较少的训练序列准确估计信道,或者在训练序列个数一定的情况下,比传统的信道估计方法拥有更好的估计性能。在时间选择性衰落信道中,信道系数往往由少量的散射多径叠加而成,因而在多普勒域上呈现稀疏性。本文研究了基于压缩感知的单天线(Single-Input Single-output, SISO)系统时间选择性衰落信道估计,利用改进的压缩感知信道估计方法,得到更为准确的散射多径的多普勒频移和幅度。同时,在移动通信系统中,发射端需要的信道状态信息往往是由接收端估计后反馈回发射端,在这种情况下,即使接收端估计的信道状态信息已经很准确,但多径衰落导致信道快速变化,反馈回发射端的信道状态信息往往已经过时,与当前的信道状态不相关,导致通信系统性能下降。信道预测算法能够补偿多径衰落对通信系统的影响,保障通信系统性能。本文中,根据压缩感知信道估计算法恢复的散射多径的多普勒频移,使用卡尔曼预测算法跟踪信道变化。仿真结果表明,结合压缩感知信道估计的卡尔曼预测算法能够准确跟踪信道变化。多输入多输出(Multi-input Multi-output, MIMO)技术能够在不增加信号带宽的情况下,成倍地提高系统容量,因而得到越来越多的重视。大数量天线的引入,往往使信道在角度域上也呈现稀疏性。虚拟表现信道模型离散化地近似表示了MIMO系统的物理多径信道时频响应,揭示了物理多径在角度-时延-多普勒空间上的分布关系,为压缩感知理论在MIMO系统的稀疏信道估计的应用提供了平台。本文研究了基于该信道模型的MIMO系统稀疏时间选择性衰落信道估计,引入迭代加权的去噪基追踪(Basic Pursuit De-noising, BPDN)算法,减小对稀疏向量中大系数的惩罚,同时增大对噪声的惩罚,从而减小重构误差。仿真表明,迭代加权的去噪基追踪算法比去噪基追踪算法、正交匹配追踪(Orthogonal matching pursuit, OMP)算法及传统的LS算法估计更准确。