在大规模多输入多输出（MIMO,Multiple Input Multiple Output）系统中,基站（BS,Base Station）进行波束成形和用户选择依赖于精确的下行信道状态信息（CSI,Channel State Information）。在时分双工（TDD,Time Division Duplex）模式下,下行CSI可利用上、下行信道间的互易性从上行CSI估计得到;但在频分双工（FDD,Frequency Division Duplex）模式下,上下行信道互易性较弱,下行CSI只能从用户端反馈给BS。由于大规模MIMO系统中基站端天线数众多,用户端的CSI反馈开销巨大也极具挑战。为了降低反馈开销并彻底避免上行带宽资源的占用,本文主要工作如下。首先,为了避免上行带宽资源占用,结合深度学习与叠加反馈技术,研究了一种基于深度学习叠加CSI反馈方法。用户端将下行CSI扩频叠加到上行用户数据序列（ULUS,Uplink User Data Sequences）并反馈给BS,BS接收到叠加信号后利用由深度学习搭建的干扰消除网络重构出下行CSI并检测UL-US,可完全避免上行带宽资源的占用。分析与仿真结果表明,相对于传统叠加CSI反馈方法,基于深度学习叠加CSI反馈方法在保证UL-US检测性能不损失的情况下,显著提高了下行CSI的重构精度。其次,考虑基于深度学习叠加CSI反馈方法干扰消除网络庞大的训练参数以及复杂的参数训练过程,研究了一种基于极限学习机（ELM,Extreme Learning Machine）叠加CSI反馈方法。用户端同样将下行CSI扩频叠加到UL-US进行反馈,BS利用ELM搭建的干扰消除网络用于重构下行CSI与检测UL-US。相对于基于深度学习的干扰消除网络,ELM作为一种前向神经网络,参数优化为简单的矩阵运算过程,且能直接处理复数数据,从而大大降低网络参数和空间占用。分析与仿真结果表明,相对于基于深度学习叠加CSI反馈方法,基于ELM叠加CSI反馈方法同样不占用上行带宽资源,同时,在保证UL-US和下行CSI重构性能的情况下,能显著降低网络参数、存储空间、离线训练时间和在线运行时间。最后,为了最大限度降低深度学习叠加CSI反馈方法的叠加干扰,研究了一种基于深度学习的1-bit压缩感知叠加CSI反馈方法。在用户端将下行CSI进行1-bit压缩量化,仅保留其符号信息,再扩频叠加到UL-US,BS结合传统叠加编码辅助二进制迭代硬阈值（SCA-BIHT,Superimposed Coding Aided Binary Iterative Hard Thresholding）算法与深度学习网络,对下行CSI和UL-US进行重构。分析与仿真结果表明,相对于传统1-bit叠加CSI反馈方法,基于深度学习的1-bit压缩感知叠加CSI反馈方法能显著提高UL-US和下行CSI的重构性能,且极大地降低了在线运行时间,从而降低处理时延。本文研究的基于深度学习叠加CSI反馈方法可应用于大规模MIMO无线通信系统中,如第五代无线通信系统、第六代无线通信系统和下一代Wi Fi（802.11ax/ay）系统等。