为了增加多用户天线分集效益,提高5G(The Fifth Generation,第五代移动通信)移动通信系统的频谱效率,需要对大规模MIMO-FBMC(Massive Multiple-Input Multiple-Output-Filter Bank Multi-carrier,大规模多输入多输出-滤波器组多载波)系统中的信息检测进一步研究。在国内外,对大规模MIMO-FBMC系统在信息检测的研究中,希望能进一步提高系统的分集效益,而低秩张量模型将高维度信号降维成为低维度信号,使得信号具有稀疏性和较好的分集效益的特性,可以较好地满足这个要求。近几年对于大规模MIMO-FBMC系统的研究中,现有文献已经初步将低秩张量模型应用到大规模MIMO-FBMC系统中。本文针对多用户和动态用户场景下,采用基于低秩张量模型中大规模MIMO-FBMC系统的信息检测和信道估计,进行了以下研究:首先,本文针对低秩张量模型对大规模MIMO-FBMC系统存在的问题,提出了大规模MIMO-FBMC的低秩张量系统模型,对该张量模型进行分解,将高维度的接收信号分解为低维度的信号,同时在张量模型基础上,使用接收方法A LS(Alternative Least Squares,交替最小二乘)和LM(Levenberg-Marquardt,莱文贝格-马夸特方法)分别对接收信号进行处理,获得最优的系统模型。在该模型中,进一步研究张量编码算法,对不同时频空间资源下的用户传输符号进行映射,实现大规模MIMO-FBMC的天线分集。通过实验仿真,该结果验证了低秩张量模型能够有效地提高大规模MIMO-FBMC系统的天线分集和频谱效率。然后,本文针对高密度用户场景下,基于低秩张量模型的大规模MIMO-FB MC系统,提出了高密度用户的大规模MIMO-FBMC系统的信息检测算法。对高密度用户场景下的低秩张量系统模型,随着系统用户数的成倍增长,需要进一步研究大规模MIMO-FBMC的多用户低秩张量系统模型,分别利用ALS和LM两种张量算法处理基站端天线的接收信号,对不同用户的低秩张量信息进行有效分离。通过实验仿真,该算法可以有效分离高密度用户场景下的不同用户低秩张量信息,对系统传输速率、系统容量有了明显的提高。最后,本文针对动态用户场景下的大规模MIMO-FBMC系统,提出了动态用户场景下的大规模MIMO-FBMC系统的信息检测算法。利用低秩张量系统模型,对运动状态的动态用户进行大规模MIMO-FBMC系统建模,研究了动态用户与三维信道空间相关的特征空间,分别利用ALS和LM两种张量算法处理基站端天线的接收信号,对不同运动状态下多用户的低秩张量信息进行有效分离。通过实验仿真,该算法能有效分离动态用户的信息,降低系统误码率。