本文重点对基于机器学习的无线信道数据处理与信道建模展开研究。Beyond5G（B5G）是面向2020年以后移动通信需求而发展的新一代移动通信系统。根据移动通信的发展规律,B5G将在用户体验速率、连接数密度、流量密度和用户峰值速率上得到显著的提升,同时降低端到端时延并支持高速移动性。在这些性能指标下,B5G将使信息突破时空限制,拉近万物距离,通过无缝融合的方式,便捷地实现人与万物智能互联。另一方面,对无线信道的理解与分析是对任何现有的或新提出的无线系统设计、分析、评估及应用的前提,对电波传播特性的掌握则是对无线信道进行研究的物理基础。电波传播与无线信道建模是无线通信系统主要参数与关键技术设计的重要依据,是对无线接口候选技术的选拔与测评的必要条件。因此,无线信道建模一直是无线通信领域的热点研究课题之一。在5G高速发展的环境下,信道建模方法从经典的确定性建模、统计性建模逐渐发展向结合机器学习的混合信道建模方法。同时随着大规模阵列天线技术的快速发展以及测量技术和手段的提高,人们对信道观测越来越准确,实测数据量越来越大,以往传统的统计性建模方法在如此大规模、多维度下已不再适用。但是,如果通过机器学习算法对实测数据进行预处理,对数据进行降维、压缩或特征化,可以显著降低分析数据的难度,抑制数据噪声的干扰,最终提高建模准确度。本文从信道数据处理方法切入,基于时变信道动态簇识别的需求,结合动态多径的演化特征实现了高精度时变多径簇的识别,并结合图像处理算法,实现了时变信道中多径簇的在线识别,随后针对信道建模与移动定位对信道场景识别的需求,充分挖掘车辆网信道高维特征,提出了基于机器学习的信道场景高精度识别算法,并在上述研究的基础上,针对当前车联网无线通信缺乏簇结构信道模型的问题,建立了基于轨迹簇结构的时变混合非规则几何随机信道模型。论文的创新性工作主要包括如下几个方面:1)提出了面向车联网时变信道的基于轨迹追踪的无线多径簇识别算法,通过全局最小距离匹配方法完成对连续帧内多径分量的追踪。设计了多径轨迹距离测量方案,基于不同轨迹之间的相对位置建立轨迹重叠场景和轨迹分隔场景。通过形状距离和绝对距离来描述不同轨迹之间的相对距离,并基于轨迹之间的相似性提出了高精度动态轨迹簇识别算法。通过信道仿真数据和信道实测数据验证了所提方案可以准确地识别时变信道中的轨迹簇。所提算法相比于传统算法进一步提高了无线多径簇的识别准确度和鲁棒性,成功解决了时变信道多径簇提取困难的问题。2)针对时变非平稳信道,提出了基于角度功率谱的无线多径簇在线识别算法,在未经高精度参数萃取的状态下,使用图像处理算法对信道快照的实时角度功率谱进行识别,相对准确地识别当前信道中的主要多径簇。基于无线多径簇的物理特性,将多径簇量化为形状、面积、位置三个主要特征,并通过使用全局最小匹配方法实现多径簇的追踪。通过反追踪过程,避免了信道非平稳性对多径簇连续性的破坏。通过信道仿真数据验证和信道实测数据测试,所提算法成功实现了无线多径簇在线识别,打破了传统簇提取方案只能离线处理的僵局。3)对于车联网时变信道,提出了面向时变信道的信道场景识别算法,并提出了信道角度域时变特征,并结合多个传统信道特征分别对支持向量机、随机森林和神经网络等常用于识别分类的机器学习算法进行训练。设计了直接使用角度功率谱进行实时场景识别的方案。分别对比了不同信道特征、不同机器学习算法对信道场景识别的影响。建立了同街同测、同街异测以及异街异测三类典型信道识别应用场景,并验证相关算法在三类场景下的实际性能。通过多组训练特征与多组测试场景的横向对比,验证了时变信道角度特征对于信道场景识别具有深刻意义,对智能场景识别系统设计具有积极的指导意义。4)通过使用高精度萃取算法从原始测量数据中提取无线多径分量,使用上述提出的基于轨迹追踪分簇算法对时变动态簇进行识别,并将无线多径簇建模为四种基本模型:直射径信号、静态反散射体反射信号、动态反散射体反射信号以及多跳反射信号,并对簇间特征和簇内特征分别进行建模。基于实测数据对非规则随机几何信道模型进行参数化,通过对比所提信道模型生成数据与不同街道的信道实测数据验证模型准确性,并给出了动态信道模型仿真的具体执行步骤。所提模型的高扩展性使得本模型可以方便且准确地扩展到类似的城郊场景提供模拟信道数据,避免了信道重复测量的工作,并为上层网络优化与设计提供准确的数据支持和理论依据。