频偏估计作为移动通信的关键性技术一直以来广受国内外研究学者重视,然而5GNR低延时场景下会出现一些如单列导频、单列导频及上行FDMA传输的特殊配置情况,给频偏估计带来了新的问题。为此,有必要开展这些特定配置约束条件下的频偏估计算法研究。本文在分析和总结现有频偏估计算法原理及其适用性基础上,针对上述5GNR特定场景配置下频偏估计进行了算法分析与改进研究,并对改进后算法性能进行仿真验证。首先研究5GNR低延时场景单列导频配置下的载波同步,分析了基于多列导频求频偏方法和基于CP频偏估计算法的适用性,得出后者更为适用,进而针对后者抗多径能力不足问题,提出了在中高信噪比和低信噪比条件下分别采用拐点检测与小波去噪方法,以更准确地获取CP受多径污染长度,去除干扰数据,减少多径和噪声影响。仿真实验结果表明改进算法估计精度相对原算法在5GNR多径环境下估计精度更高。接着进一步研究了5GNR单列导频配置及FDMA传输方式下的载波同步,针对该配置下上述CP时域算法也不适用的问题,提出了基于高斯混合模型的频偏估计算法。该算法首先在频域利用欧式距离挑选星座簇数据用于聚类,通过对选取点进行高斯混合模型计算其聚类中心,利用聚类中心与标准星座簇中心的相对位置进行频偏估计,最后,利用符号间联合判决以增大频偏估计的范围。算法在专业商用5GNR链路仿真平台中进行验证,结果表明基于高斯混合模型的频偏估计算法具有较好估计效果。最后从提升频偏估计算法场景适应性出发,研究了基于深度学习的频偏估计方法,对仅采用LSTM网络进行频偏粗估计的方法,提出了LSTM网络和SVR回归相结合的频偏估计改进算法。算法对训练集的导频数据进行降维,在不影响识别率的基础上减少输入数据维度,降低网络的复杂度。并且通过改进网络训练格式,增加网络对频偏的鲁棒性。最后设计SVR算法进行频偏精估计,完善频偏估计流程。MATLAB仿真实验表明,该算法对频偏的估计性能更加鲁棒。