通过在基站部署大规模天线阵列,大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术可以极大提高无线传输的空间自由度,具有高抗干扰能力、高网络容量、高频谱效率以及高能量效率等一系列潜在优势,是第五代(5th Generation,5G)移动通信系统的关键使能技术之一,也是实现第六代(6th Generation,6G)移动通信系统应用场景需求的潜在关键技术之一。大规模MIMO技术潜在优势的实现取决于基站能否获得精确的下行信道状态信息（Channel State Information,CSI）。然而,随着基站端天线阵列不断扩大,CSI维度呈线性增长,使大规模MIMO下行CSI获取面临着严峻的挑战。在频分双工（Frequency Division Duplexing,FDD）通信模式下,上行链路和下行链路不具有严格的互易性,基站获取下行CSI需要用户端进行下行CSI估计和反馈,使FDD大规模MIMO系统面临着巨大的导频开销和反馈开销。这将使大FDD规模MIMO系统的网络容量和频谱效率显著降低。因此,如何突破传统下行CSI估计和反馈的性能瓶颈,提高FDD大规模MIMO信道获取精度、降低下行导频开销和上行反馈开销是实现FDD大规模MIMO技术潜在优势亟待解决的问题之一。针对上述问题,本文首先利用角度域大规模MIMO信道的稀疏结构,提出了面向大规模MIMO系统的基于稀疏自适应滤波算法的CSI估计技术;然后,利用大规模MIMO信道在时间和空间上的相关特性和深度学习技术学习数据内在特征的强大能力,提出了面向大规模MIMO系统的基于采样与深度学习的CSI反馈技术;最后,利用FDD系统上下行信道的部分互易性和深度学习在不需要数学模型的情况下可以无限逼近某一函数关系的优势,提出了面向大规模MIMO系统的基于信道相关性与深度学习的CSI零反馈技术。综上所述,本文的主要贡献和创新点总结如下:（1）针对FDD大规模MIMO系统中下行CSI估计开销大问题,本文第三章提出了基于稀疏混合自适应滤波算法（Sparse Hybrid Adaptive Filter Algorithm,SHAFA）的CSI估计技术。SHAFA算法使用二阶和四阶统计误差的混合误差函数构成代价函数的统计误差项,同时引入非均匀步长,使其能够在各种信噪比环境中获得可观的收敛速度和稳态性能。仿真结果表明,SHAFA算法能够在低导频开销下获得精确的信道估计,大大降低了大规模MIMO系统中下行CSI估计的导频开销。（2）针对FDD大规模MIMO系统中下行CSI反馈开销大问题,本文第四章提出了一种基于采样与深度学习的CSI反馈技术（称为Sample DL）。该技术利用信道在时间、频率和空间维度上的相关性,将采样与神经网络结合,从时间、频率和空间三个维度上对大规模MIMO信道进行压缩。具体地,Sample DL技术首先对CSI在时间和频率维度上进行采样,然后通过神经网络对采样得到的CSI在空间维度上进行压缩。该技术可以在减少用户计算资源和计算时间的同时提高基站端的CSI恢复精度。仿真结果表明,与未采样的基于深度学习的CSI反馈技术相比,Sample DL技术具有更低的时间复杂度和更高的CSI反馈精度。为了进一步减少反馈开销,本章通过链路级仿真,探索了不同通信场景下,通信系统所能接受的最大CSI反馈间隔。仿真结果表明,适当延长CSI反馈间隔是降低CSI反馈开销的一种可行方法。（3）针对如何利用上下行信道相关性降低FDD大规模MIMO系统获取下行CSI开销问题,本文第五章提出了基于信道相关性与深度学习的CSI零反馈技术。该技术的核心思想是用数据驱动的深度学习技术从上行CSI中提取共同的环境信息到潜在域,然后由该信息特征直接预测出下行CSI,实现CSI的零反馈。为了充分学习上行CSI与下行CSI在时间和空间上的相关性,本章将下行CSI预测问题建模为一个时空图像预测问题,提出了基于卷积长短期记忆网络（Convolutional Long Short Term Memory Network,Conv LSTM-net）的CSI零反馈技术。与卷积神经网络和长短期记忆网络相比,Conv LSTM-Net在捕捉时空相关性方面具有更强的能力。仿真实验用时域和频域信道数据对基于Conv LSTM-net的CSI零反馈技术进行性能验证。与基于卷积神经网络和长短期记忆网络的CSI零反馈技术相比,基于Cov LSTM-net的CSI零反馈技术在两个域上都取得了最优的CSI预测精度。