近年来,随着科技技术的不断进步,高速列车的平稳性和速度不断提升,中国在高速铁路领域的成就举世瞩目,人们的出行越来越依靠快捷便利的高速铁路交通系统。5G无线通信系统在高速铁路宽带移动通信技术中的应用为铁路运输的发展注入了新的活力,已成为高速铁路智能化发展的重要组成部分。由于通过传统的信道估计算法获得的信道状态信息在高速环境中缺少参考价值,因此结合人工智能技术研究无线信道预测方法成为新的研究目标。深度学习逐渐成为众多研究者在未来智能通信领域的研究方向之一,将深度学习的方法扩展到信道预测也水到渠成。因此,本文对基于深度学习的高速铁路移动场景信道预测进行研究,提出无线信道预测方面更多的研究方法。本文首先针对无线信道传播过程中的大尺度和小尺度,分析不同衰落特性,确定实验研究的主要内容。而后介绍了深度学习的知识,利用前馈神经网络说明神经网络的基本原理,并介绍了现在研究者最常用的几种深度学习框架,明确本文实验使用的工具。从无线通信和深度学习的介绍中获得使用深度学习方法预测信道特征的整体认知。通过使用随机传播图原理建立高速铁路U型槽仿真场景以获取训练所需的数据集。然后提出使用长短时神经网络（Long Short-Term Memory,LSTM）来构建信道预测模型,充分结合LSTM网络学习长时间序列的特点,处理具有时间相关性的单输入单输出（Single Input Single Output,SISO）通信系统的信道状态信息。论文使用RMSE、MAPE、R2三种评价指标对神经网络预测模型的结果进行评估,并且使用基于坐标的反向传播神经网络、深度神经网络、循环神经网络的预测方法进行对比分析。最后,针对高速移动多输入多输出（Multiple Input Multiple Output,MIMO）的信道预测问题进行研究。先对卷积神经网络（Convolutional Neural Network,CNN）的原理进行说明,利用CNN学习MIMO通信系统多天线的空间拓扑关系,获得学习空间相关性的研究思路。然后对MIMO多信道预测问题进行模型构建,提出融合LSTM和CNN特点的Conv-LSTM神经网络预测模型,将多维度的天线信息加入到神经网络的学习中。文中通过自相关分析和相似度分析反映输入数据的特征,为神经网络超参数的对比选取提供参考和验证。最终使用两种预测模式对比不同预测方法的性能,发现提出的预测模型更加精确与高效,为高铁MIMO通信系统信道预测提供新的方法。