能够服务多用户的大规模多输入输出（Multi-Input Multi-Output,MIMO）技术是第五代移动通信（5th Generation,5G）中的关键技术之一,通过在基站端（Base Station,BS）配置大量天线,实现在同一时频资源下利用空间资源服务多个用户,显著提高系统容量、频谱效率、能量效率以及通信可靠性。大规模MIMO虽已得到广泛使用,但是在实际部署中仍存在成本较高的问题,包括信道估计开销大,以及多用户调度计算复杂度高等。近年来,以深度学习（Deep Learning,DL）为代表的人工智能飞速发展并已广泛应用于各种通信场景中,智能通信技术的蓬勃发展为解决大规模MIMO中的这些问题提供新思路。本论文面向智能通信,围绕多用户大规模MIMO系统的下行信道重建以及多用户调度这两个关键技术展开研究。首先,针对现有大规模MIMO系统下的下行信道重建和多用户调度算法展开深入调研,介绍DL基础知识,并提出本论文的研究重点。对现有传统下行信道重建算法以及多用户调度算法进行总结,指出传统下行信道重建算法复杂度过高、运行时间过长,以及传统多用户调度算法计算复杂度高、速度慢的问题。接着介绍DL的基础知识,并调研最新基于DL的下行信道重建和多用户调度算法,上述算法已经初步显示有效性和低成本性,但仍有提升空间,有必要进一步结合DL设计下行信道重建和多用户调度算法,由此提出本论文后续主要研究内容。其次,针对传统高精度下行信道重建算法复杂度过高、现有基于DL的下行重建算法可靠性不强的问题,设计基于DL中目标检测算法“你只需看一次”（You Only Look Once,YOLO）的下行信道快速重建算法YOLO-RecNet。通过将信道映射为时延-角度域图像,基于YOLOv3（YOLO第三代版本）设计YOLO-RecNet网络架构,对信道图像中的传播路径光斑进行定位,转换得到频率无关参数:角度和时延,有效避免传统高精度下行重建算法中频率无关参数估计环节的复杂迭代计算,接下来在用户端估计下行路径复增益,并反馈回基站,完成下行信道重建。仿真结果表明,所提YOLO-RecNet算法在重建精度和频谱效率与高精度牛顿正交匹配追踪算法相近的前提下,能够在毫秒级别完成下行信道重建,在频分双工模式下大规模MIMO系统的下行信道重建方案中具有有效性和优越的实时性。最后,针对传统多用户调度算法难以同时保证高性能与低复杂度、现有基于DL的多用户调度算法性能仍有提升空间的问题,设计引入注意力机制的Attention-USNet算法,以及基于DeepSort的时变信道用户调度算法。描述多用户调度系统模型,通过分析证明用户信道向量之间的关系对于调度结果起着重要的影响作用,并阐述基于全连接神经网络设计的USNet在提取这种关系特征时存在的不足。设计引入自注意力层的全连接神经网络,提高网络用户相关性特征提取的有效性,在提高系统可达速率性能的同时能够大幅降低网络参数量,减小计算量与运行时间。在此基础上设计能够实现自适应用户调度的 adaptAttention-USNet 和基于角度域信息的 angle-based Attention-USNet,进一步提高调度性能;另外,针对调度实时性要求更高的时变信道模型,基于DL中目标跟踪算法DeepSort对运动模型的预测功能,提出一种无需估计每一时刻信道的多用户调度算法。通过多种场景下的仿真实验,分析所设计的调度算法在系统可达速率性能、网络参数量、网络计算量、和运行时间四个方面的性能。仿真结果证明所提Attention-USNet系列算法能够将调度系统的可达速率百分比提升至98%以上,并且能够大幅减少参数量和计算量,显著降低用户调度的时间和计算成本,所设计的时变信道调度算法也能够在保证调度可靠性的同时,减少调度时间,具有有效性和实用性。