随着第五代（fifth generation,5G）通信技术的普及,大规模多输入多输出（multiple-input multiple-output,MIMO）技术作为5G的核心技术受到了广泛的关注。为了完全发挥大规模MIMO系统的各项优势,统计信道状态信息（statistical channel state information,S-CSI）估计成为了系统中不可或缺的一环。然而,大规模MIMO系统中的大孔径天线阵列也给信道带来了独有的非平稳特性,这对传统的基于导频训练的信道估计方式来说是一个巨大的挑战。因此,在大规模MIMO系统非平稳信道环境中采用贝叶斯方法进行S-CSI估计的方案得到了青睐。首先考虑一种简单的场景,假设用户的统计信道状态信息为已知有限集合。本文提出结合隐马尔科夫模型和变分推断的概率结构信道模型对带有噪声的非平稳信道进行了建模。随着用户数和可能出现的统计信道状态数增多,模型中会出现信道状态混叠的退化现象。本文将此问题建模成一个带有非凸秩约束的半定规划问题,采用基于低秩分解的方法进行求解。然后考虑更为实际也更为复杂的场景,即无任何先验信息且传播路径存在动态生灭变化的信道环境。本文提出基于明确持续时间隐半马尔科夫模型和分层迪利克雷过程的无限状态统计信道模型。进而在此模型下提出了基于全贝叶斯非参数推断的Weak-Limit吉布斯采样推断方法,实现了非平稳环境下无先验信息的统计信道状态估计。通过计算机仿真,将所提出的两种模型与现有的隐马尔科夫结构信道模型进行了对比。本文提出的两种模型均更有优势。隐马尔科夫结构信道模型仅仅假设信道的持续时间服从几何分布,在面对复杂的持续时间分布时,隐马尔科夫结构信道模型无法适用。本文所提出的模型和方法则能够完美地估计出信道统计状态的数量及持续时间,适用范围更加广泛。