目前世界上有许多国家都对第五代无线移动通信中的信道建模开展了广泛而深入的研究。三维多输入多输出技术和大规模天线技术已经成为了人们关注的焦点,高速移动场景也被5G列为重要的应用场景之一,这些新的变化都使得第五代移动通信研究中的信道数据呈现出了海量、多样、高速、高价值的特性,标志着无线信道建模进入了大数据时代。面对如此海量且多变的信道数据,传统的信道分析与建模方法无法同时对子信道相关性和信道时域特性进行准确刻画。为此,本文采用机器学习和数据挖掘领域中的算法,分析了室内热点场景下的信道测量数据,并利用这些分析结果建立了信道模型,最终还对该模型的性能进行了对比和评估。本文的具体研究内容包括:(1)室内热点场景的三维多输入多输出信道测量和数据预处理。本文制定了室内热点场景下的三维信道测量方案,对32×56天线阵元的多输入多输出系统进行测量,得到了该场景中不同几何位置上的信道冲激响应数据。在对测量数据进行预处理时,本文采用了机器学习领域中的神经网络对采集到的信道冲激响应进行去噪。相比于传统的去噪方法,该方法能够更加准确地去除测量数据中的噪声,且使用更加便捷。(2)信道幅度和相位数据的特性挖掘。本文将信道冲激响应单纯当作数据来处理,而不完全拘泥于其物理意义。由测量得到的信道冲激响应的数据形式是一个复数矩阵,为此,本文采用对复数数据的幅度和相位分别进行分析的思路。此外,为了直接对信道相关性进行分析,本文先将信道冲激响应(Channel Impulse Response,CIR)转换到频域,然后将频域CIR数据分为幅度和相位两个部分进行分析。一方面,使用主成分分析(Principal Component Analysis,PCA)得到了幅度矩阵的主成分和测量数据在主成分方向上投影的统计特性。另一方面,根据子信道间的相关性将子信道分簇,据此确定不同子信道间相位数据的关系。(3)基于数据挖掘结果对室内热点场景的无线信道进行建模。首先,根据主成分分析对信道幅度响应分析的结果,利用主成分分量和信道数据在主成分分量上的投影向量,再从基于几何的信道模型仿真数据中得到每个子信道上的功率信息,生成信道冲激响应的幅度部分。然后,根据不同子信道间信道相位数据的关系,生成信道冲激响应的相位部分。最终,将信道数据的相位和幅度两个部分合并,从而得到完整的信道数据。本文使用数据挖掘和机器学习的方法分析了信道数据的特征和结构,并根据这些分析结果提出了从幅度和相位对信道进行建模的方法。根据与实测数据和传统模型的对比,本文提出的信道模型可以更好地吻合实测数据。除此之外,本文提出的基于神经网络的信道数据去噪方法相比传统方法较大程度地提升了噪声识别准确率,减少了数据去噪的工作量。