高速铁路由于其经济性、环保性以及可全天候运行等优势受到了越来越多的注意,经济与科学技术的进步促进了高速铁路的快速发展,目前国内高铁车速已可以达到300km/h甚至更快的速度。高速铁路作为5G-NR的重要使用场景之一,其通信需求日益增多,同时对于通信系统质量等指标的要求也更加严格。国际电信联盟在关于5G-NR的关键性能制定中要求在车载速度达500km/h的高铁通信场景下下行链路速率达到50Mbit/s,上行链路达到25Mbit/s。在5G-NR应用时代,高铁宽带移动通信技术面临着巨大的挑战,其主要包括:高铁车厢对信号的衰减大、频繁的基站小区切换以及列车高速行驶带来的大多普勒频移。因此,为了达到5G-NR高铁通信场景下关键性能的要求,需要对有关通信技术进行深入研究。考虑到5G-NR通信系统的整体性能及要求,3GPP在评估了单载波及多个子载波波形的优缺点后,最终选用正交频分复用(OFDM,Orthogonal Frequency Division Multiple)作为上下行传输技术。然而,在5G-NR高速移动通信场景下列车的更高速移动(>=500km/h),以及更高的载波频率将引起更严重的多普勒频移,这会使得OFDM系统子载波无法维持原有的正交性,并且使信道发生快速时变,致使系统的传输能力下降。为了消除多普勒频移对通信系统产生的干扰,需要开展抗多普勒频移技术的研究,其中多普勒频偏估计、补偿技术的研究是基础。本文旨在以提高多普勒频偏估计精度,降低多普勒频偏估计复杂度为目标,在现有的多普勒频偏估计方法的基础上,研究5G-NR高速移动场景中更高效实用的多普勒频偏估计方法,主要的内容与创新点如下:1、本文利用无线环境图的技术,给出了一种联合环境地图与分段导频的多普勒频偏估计方法(RMPE),该方法主要解决了5G-NR高铁通信上行传输系统多普勒频偏估计精度有限的问题。在该方法中,基于高速铁路行驶路线的规律性和可预测性,首先利用环境地图方法来获取多普勒频偏的初始估计;为了提高频偏估计精度与满足该场景下大频偏估计范围的需求,选用了基于导频分段的最大后验概率估计方法,该方法将环境地图的初始估计作为先验信息和利用导频分段方法来获取最大后验估计。理论分析与计算机仿真结果表明,该方法的估计范围和精度可以满足5G-NR毫米波高速铁路场景大频偏的估计要求,其估计性能优于现有方法。2、本文基于神经网络与机器学习在无线通信领域的研究现状,针对5G-NR高速铁路通信系统,给出了一种基于BP神经网络的多普勒频偏估计方法(BPNE)。该方法主要分成线下训练与线上估计两个阶段,首先利用随机多普勒频偏与导频数据符号构建训练样本集,然后利用训练样本集对BP神经网络进行线下训练,完成输入与输出数据之间的映射关系,然后基于该映射关系利用接收信号中的导频数据符号进行线上多普勒频偏估计,该方法在进行频偏估计时仅需要少量的导频数据参与计算,且具有良好的估计性能。