大规模MIMO是提升5G频谱效率的关键技术之一。然而大规模MIMO系统天线数的增加,使得传统信号检测器难以在良好的性能与复杂度之间取得平衡。深度学习的深层网络结构使其具备强大的数据学习能力。对此,本论文研究了深度学习技术在大规模MIMO信号检测中的应用,具体的研究工作及创新点如下:第一,改进了Det Net检测网络的结构以提升检测性能。首先,深入分析了Det Net的检测原理,采取去除冗余输入项的方法简化网络中每个检测单元的结构;其次,为了进一步提升网络的性能,借鉴随机森林的思想,采用复制的方法将原网络每层的检测单元由一个扩充至两个,构造出一个孪生网络,并且赋予这两个检测单元不同的初值向量。仿真结果表明,与Det Net相比,改进后的网络具有一定的性能提升。第二,研究并提出了ZF算法与全连接神经网络相结合的大规模MIMO信号检测方案。首先,利用全连接层搭建一个深度神经网络。然后,在这个深度神经网络的基础上结合了传统的ZF检测算法,组建了新的信号检测方案。通过仿真实验对了ZF算法、全连接神经网络以及本文所提出的ZF-DNN三种信号检测方案的误码率性能。数据结果显示,ZF-DNN具有更优的误码率性能表现,即使在信道环境相对恶劣的情况下误码率性能表现依旧稳定。本文所作研究表明,在大规模MIMO信号检测中深度学习具有极大的优势,这为今后的无线通信系统研究提供了新的思路。