在大规模多输入多输出(Multi-Input Multi-Output,MIMO)环境下有效减少信道状态信息(Channel State Information,CSI)的反馈开销一直是信号处理领域研究的热点。一方面,反馈开销随着大规模MIMO天线数量的增多而急剧增大;另一方面,由于频分双工(Frequency Division Duplex,FDD)模式下的信道互易性不可用,CSI的反馈变得更加困难。为此,本文针对现有CSI反馈算法存在的不足,结合深度学习对CSI的反馈重建进行深入研究,即在大规模MIMO环境下的FDD系统中减少CSI的反馈开销并在基站有效重建CSI。具体研究内容如下:1.针对现有CSI反馈重建方法没有考虑特征之间的权重问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆(Long Short-Term Memory,LSTM)网络和注意力机制的CSI反馈重建方法。该方法使用CNN提取CSI的特征,并将其压缩为码字反馈回基站,在基站处使用CNN对码字进行解压。在此基础上,结合LSTM网络提取CSI的时间相关性特征,并使用注意力机制为特征分配权重。该方法采用单级LSTM网络显著减少了训练参数的数量,在性能和复杂度之间取得折中。仿真结果表明,该方法能够有效降低CSI的反馈开销,且在CSI压缩和恢复精度方面均优于现有的方法。2.针对现有基于CNN的CSI反馈方法较少考虑信道之间的相关性以及反馈链路的噪声问题,提出一种基于信道相关性、去噪网络和双向长短期记忆(Bi-Directional Long and Short Memory,Bi LSTM)网络的CSI反馈重建方法。该方法利用已知的上行链路CSI来帮助恢复未知的下行链路CSI,即采用上行和下行CSI之间的幅度和绝对值的双向相关性对下行CSI进行压缩和解压。在此基础上,结合Bi LSTM网络提取前一根天线和后一根天线CSI的时间相关性特征,同时使用去噪网络来训练所提出的反馈网络,以增强该网络的抗干扰能力。仿真结果表明,与仅使用下行CSI的方法相比,该方法具有更好的鲁棒性,能显著降低CSI的反馈负载,并能在基站准确地重建CSI。