为了适应日益增长的对高速数据通信以及大系统容量的需求,Massive MIMO技术成为一项研究热点。在带来性能大幅增益并解决当前MIMO系统中的性能瓶颈的同时,Massive MIMO技术也存在一些亟待解决的问题。在基站天线数数百根的场景下,很多计算都面临计算量级过大,复杂度过高的挑战。在一个小区内,基站同时服务更多的用户也带来了干扰增强的问题。为了有效利用Massive MIMO的诸多好处并提升系统性能,基站处采用预编码技术进行数据传输前的预处理来抑制多用户之间的干扰是必不可少的。然而,基站进行预编码需要较精确的信道信息。在基站天线数百根的情况下,信道信息的获取面临着极大的挑战,这也意味着预编码的实施面临着严峻挑战。鉴于很多文献在研究预编码时都假设信道信息完全已知或部分已知,而这种假设实际上并不可行,另一方面,很多文献研究表明,在Massive MIMO系统中可以利用信道的稀疏性来降低获取信道信息的开销。鉴于以上两点,本文将研究重点放在利用信道稀疏性,并基于压缩感知技术获取进行预编码所需的关键的信道信息,并利用获得的信道信息估计值在基站处进行下行预编码。本文首先对Massive MIMO系统信道的稀疏性进行了详细介绍。主要从Massive MIMO系统信道的时域信道冲激响应(Channel Impulse Response,CIR)稀疏性和频域信道向量的角域稀疏性两方面进行了介绍,并分析了稀疏性产生的原因。此外,还结合具体的场景,叙述了Massive MIMO系统信道的公共支撑特性,具体表现为多个不同天线对之间的时域CIR以及同一天线对在不同子载波上具有相同的稀疏模式,即支撑集相同。对Massive MIMO系统信道的这些特性进行介绍,为后文利用压缩感知技术进行更高效的信道信息恢复做铺垫。接着,本文对压缩感知技术进行了简要介绍,并叙述了这种技术的优势以及一些常见的信号恢复方法,并指出,基于0范数优化的贪婪算法由于复杂度低且恢复性能也比较好,因而实际中更常用且适用于本文的信道信息恢复场景。最后还对几种常见的贪婪算法对稀疏信号的恢复性能进行了仿真分析,并表明正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法和压缩采样匹配追踪(Compressive Sampling Matching Pursuit,CoSaMP)算法更适合本文的场景。然后,本文依据Massive MIMO信道的稀疏性,将TDD系统和FDD系统的信道信息获取过程建模成标准的压缩感知观测模型,再依据信道信息的公共支撑特性,将普通的单测量向量(Single Measurement Vector,SMV)观测模型扩展成多测量值向量(Multiple Measurement Vectors,MMV)模型,并论述采用压缩感知的SMV模型和MMV模型进行信道信息恢复的算法。特别的,对于TDD系统,本文还提出一种基于天线分组的联合CIR恢复方法,这种方法利用天线阵列的公共支撑特性大大降低CIR获取的复杂度。最后还对几种基于压缩感知的信道信息恢复算法的恢复性能进行了仿真分析。最后,本文对常见的预编码算法进行了简要的介绍,从中可见信道信息是基站进行预编码所需的关键信息。在Massive MIMO系统天线数目巨大的情况下,采用合适的方法进行较低开销的信道信息获取显得尤为必要。理想信道信息实际不可得,因而假定理想信道信息的预编码技术所能达到的性能也只是一种理想性能界,实际系统的预编码性能只能无限接近这一性能界而很难达到。为了衡量基于压缩感知方法获取信道信息进行预编码的性能,本文对采用压缩感知方法获取的信道信息进行预编码的性能进行了仿真。仿真结果表明,采用压缩感知方法获取的信道信息进行预编码的性能十分接近理想性能界。这也就表明了采用压缩感知获取信道信息进行预编码的优势所在。