高速铁路（高铁）作为适应社会进步和科技发展的产物,具有运行速度快、旅客承载量大、污染低、安全性强等特性。高速铁路的无线通信系统需要承载列车控制的专用通信业务以及列车上乘客的通信业务,因此为提供更可靠的通信业务,需要对高速铁路无线通信系统进行研究。针对无线信道的研究是无线通信系统研究的前提,精准的了解无线信道的传播特点可以为无线通信系统的设计和优化提供可靠的依据。通过无线信道建模可以将信道特性模型化,继而为无线通信系统的关键技术评估、原型机搭建和网络部署等提供理论依据。高铁在运行过程中会经历不同的场景,每一个场景都具有不同的特性。目前国内外的学者已经针对不同场景的高铁的无线信道建模做出了大量研究,但仍存在一定的不足。为此,本课题针对高铁运行环境下无线信道建模存在过拟合现象导致模型精确度差的问题,利用机器学习算法对高铁运行的几种常见地形展开无线信道建模研究,提出了一种基于机器学习的高铁无线信道精确建模方法。本文的具体内容和研究成果包括:（1）首先,针对高铁无线信道建模过程中由于不考虑莱斯K因子的差异性而导致建模误差的问题,基于不同高铁运行环境下的莱斯K因子的实测数据,利用机器学习中的K-Means聚类算法对不同地形下的莱斯K因子进行分簇,获得其在不同距离范围内的典型值。运用仿真平台模拟可以得到界限清晰的莱斯K因子分簇结果,以及莱斯K因子在不同区段内的典型值。在建模过程中考虑到不同莱斯K因子典型值对模型的影响,可以避免由于未考虑莱斯K因子的差异而产生的建模误差。（2）其次,针对高铁无线信道建模存在过拟合现象导致模型泛化能力差的问题,基于不同高铁运行环境下的路径损耗的实测数据,以机器学习中的模型评估与选择相关理论为基础,提出一种基于交叉验证的最小二乘回归拟合精确建模方法,以验证模型是否存在过拟合现象,继而获得更为可靠的信道模型。运用仿真平台模拟可以得到不同地形下的高铁无线信道路径损耗模型、泛化误差值以及可靠性验证结果。所得结果验证了论文所提出的算法建模效果较好,避免了在高铁无线信道建模过程中出现过拟合或欠拟合现象,可以获得较为可靠的模型。（3）最后,为便于进一步分析泛化误差的存在对高铁无线信道的遍历容量性质产生的影响,引入Nakagami-m衰落来近似莱斯衰落和瑞利衰落,结合Meijer G函数对遍历容量的公式进一步简化推导,建立起莱斯K因子、路径损耗泛化误差、接收端信噪比与遍历容量的数学关系。运用仿真平台模拟可以获得不同地形的高铁无线信道遍历容量下限曲线。所得结果表明,泛化误差的存在会给高铁无线信道的遍历容量造成恶劣的影响。