在LTE（Long Term Evolution, LTE）无线通信系统中，通常采用自适应调制和编码（Adaptive Modulation and Coding, AMC）技术来应对无线信道的时变特性。AMC技术就是根据信道状态信息选择适合当前信道传输条件的调制和编码方式（Modulation and Coding Scheme, MCS）来传输数据，有效地适应信道的动态变化，提升系统数据传输速率。在LTE上行链路中，AMC一般包括三步，首先需要通过信道质量测量来获得信道状态信息，然后根据此信息进行 MCS的选择，并将 MCS反馈给发射端，最后发射端根据此MCS为下一次传输进行参数配置。在AMC中，信道质量测量是进行MCS选择的基础，信道质量测量的性能直接影响AMC的性能。信干噪比（Single toInterference plus Noise Ratio, SINR）是常用的信道质量的测度，但SINR估计的误差会导致MCS选择的不理想，造成传输参数的错误配置，影响AMC系统的性能，因此信道质量测量的精确性以及MCS选择的正确性对于系统性能的改善是非常重要的。针对AMC中存在的信道质量测量精度的问题，本文研究了LTE系统中的信道质量测量算法；并根据AMC技术发展趋势，将机器学习的概念引入LTE上行链路AMC系统中，研究了利用机器学习算法来提升系统性能。　　在信道质量测量方面，针对 LTE系统中所面临的边缘和突发两种典型场景，分析了不同场景下信道质量的特点；介绍了基于多载波的常用信道质量测量算法，如指数有效SINR映射（ExponentialEffective SINR Mapping,EESM）算法、对数有效SINR映射（Logarithmic Efficient SINR Mapping, LESM）算法以及调和平均（Harmonic Mean, HARM-MEAN）算法；研究了在两种场景下现有的信道质量测量算法存在的问题，从单载波方面提出了基于Turbo接收机和基于接收端星座图的信道质量测量算法，并在这些算法的基础上进行了改进，提出了基于导频和星座图相结合的算法以及综合算法两种改进算法，减小了数据样本过少对信道质量测量精确度的影响。搭建了基于Matlab的LTE上行链路自适应仿真平台，对上述各算法进行了仿真对比，验证了改进算法的性能。　　根据AMC技术的发展趋势，一维的信道质量测量指标不再能够全面反映信道的状态且性能依赖于特定的信道模型，灵活性低，本论文将机器学习的概念引入 LTE上行链路AMC中。利用机器学习的思想研究了信道质量测量中有效信干噪比的映射问题，介绍了两种典型的机器学习算法，给出了基于k-NN（k-Nearest Neighbor, k-NN）监督学习的AMC算法和基于SVM（Support Vector Machine, SVM）的AMC算法；根据机器学习可以适应环境的变化的特性，研究了利用深度学习（Q学习）的思想，控制AMC中MCS选择的策略，给出了基于Q学习的AMC算法，进一步提升了LTE上行链路AMC系统的性能。最后在LTE边缘场景下对这些算法的性能作了仿真测试与验证。