我国高铁技术发展日渐迅速,高铁技术体系逐渐完备。高铁宽带无线移动通信已经成为高铁相关技术业务中不可或缺的一部分。对于高铁无线通信系统的通信质量而言,无线信道状态与具体传播特性是重中之重。为了满足目前的第五代移动通信系统中,用户通信业务质量的需求,需要通信系统准确识别当前信道场景并通过智能决策,提高系统整体性能。而且不同场景之间如果存在关联,那么对揭示信道色散特性、精准研究分析高铁时变信道具有重要意义。目前的研究主要聚焦于视距与非视距场景的识别和单一场景不同色散特性的相关性分析,鲜有对高铁不同场景进行识别与相关性分析的研究。因此,本文在此基础上,结合当前热点,通过机器学习与无线信道的交叉学科研究,精准识别高铁无线信道场景,深入研究分析不同场景之间的相关性。本文首先从实验室前期测量所获得的大量京-津高铁线实测数据中,进行了场景的划分与选取并通过常用的小尺度特征提取方法,获得了不同场景的信道小尺度参数,它们各自反映了信道当前的空-时-频特性,文中将这些特征参数与场景之间一一映射,构造了高铁宽带无线信道数据库。随后本文应用了多种常用的机器学习算法与深度学习模型,并结合了无线信道特性与多种特征融合算法提出了基于长短时记忆神经网络的加权平均后融合方法。完成了不同模型的设计与构建后,将之前构建的高铁宽带无线信道数据库划分为训练集与测试集,其中训练集用于对模型的训练。训练完成后,文中选取了多种评价指标,以测试集作为验证,发现多特征融合方法的准确率达到92.2%,F得分最高,受试者工作特征曲线下面积最大,性能最优。该模型识别准确率高,单次预测时间快,能够为高铁通信系统提供一种精准识别场景的方法。此外,本文在上述研究工作基础上,提出了一种衡量不同场景之间相关性的方法。文中通过用于衡量高维分布距离的高维Wasserstein距离作为反映不同场景信道特征数值上的宏观相关性的指标;通过用于衡量矩阵之间线性相关性的矩阵共线性参数作为反映不同场景信道特征之间微观线性度的指标。最终发现多链路场景与城郊场景无论从宏观还是微观角度,都具有最高的相关性,这为人们在精准研究分析不同场景时间信道特性及通信系统的设计都具有重要意义。