近年来,随着科学技术的进步,人们的出行需求越来越大,而高速铁路（High Speed Railway,HSR）由于拥有着高效性、安全性以及环保性等突出优势,已经日益成为最受欢迎的交通工具,在国内得到了广泛的发展与部署。目前国内的高铁速度可达到300km/h,而随着5G通信系统的应用,高铁的运行速度将达到500km/h甚至更高。在未来5G HSR场景中,由于列车更高速的运行会引起更大的多普勒频移,其将导致信道发生快速时变。在快速时变信道中,由于反馈和处理时延的存在,传统的通过信道估计方法获得的信道状态信息将发生老化,不再能够准确描述当前时刻的信道状态,这将导致HSR通信系统的性能严重下降。因此,为了保证5G HSR环境下的通信质量,信道预测技术被提出用于该场景下的信道信息获取。考虑到5G HSR场景将面临更高的移动速度,此时的HSR无线通信系统将面临更加严峻的多普勒频移,而传统的信道预测方法无法在快速时变信道中取得较好的性能。为了提高5G HSR场景下时变信道预测的精度、降低信道预测的复杂度,本文基于现有的信道预测方法,研究更适合于5G HSR场景的高效的时变信道预测方法,主要内容与创新点如下:1、针对高速移动正交频分多址接入（Orthogonal Frequency Division Multiple Access,OFDMA）系统,提出了一种新型的基于反向传播（Back Propagation,BP）神经网络的时变信道预测方法。为了避免了网络参数随机初始化造成的影响,新方法首先基于数据与导频信息获取较理想的信道估计,利用其对BP神经网络进行预训练处理,以获取理想的网络初始参数;然后,基于预训练获取的网络初始值,利用基于导频获取的信道估计对BP神经网络进行再次训练,以获取最终的信道预测网络模型;最后,基于该预测模型通过线上预测实现了时变信道的单时刻与多时刻预测。理论分析与仿真结果表明,新方法可以显著地提高时变信道预测精度,且具有较低的计算复杂度。2、针对BP网络训练存在的陷入局部最优以及网络模型固定的问题,提出了一种新型的基于堆栈式极限学习机（Extreme Learning Machine,ELM）的时变信道预测方法。为了捕获输入数据的深层信息,新方法基于单隐藏层神经网络,首先利用堆栈式ELM方法从历史信道中提取信道的深层特征,并获得网络的初始输出权值;然后,为了适应信道的变化,新方法基于新构造的历史信道样本与初始的输出权值来实时更新网络的输出权值,并基于更新后的输出权值获取当前时刻的信道。理论分析与仿真结果表明,新方法具有较高的预测精度,适用于高速移动场景。