大规模多输入多输出（Multi-Input-Multi-Output,MIMO）作为新一代无线通信网络的关键技术,可有效提高数据传输速率和频谱资源利用率。信道估计的准确性直接影响大规模MIMO通信系统的性能。受大规模MIMO系统天线规模显著增大的影响,传统信道估计方法具备较高的计算复杂度,且需耗费较多时频资源,导致大规模MIMO系统的频谱效率受到限制。如何在保证频谱效率的同时提升大规模MIMO信道估计精度,是保障新一代移动通信系统性能亟待解决的瓶颈问题之一。近年来,深度学习技术在无线通信领域已被广泛应用,为提升大规模MIMO系统的信道估计性能和频谱效率提供了新的解决思路。因此,本文借助深度学习技术,针对现有信道估计方法信道估计精度受限、频谱效率较低、迭代算法延迟较大等缺点,充分挖掘无线信道的稀疏特性,研究基于深度学习的大规模多天线稀疏信道估计方法。具体地,利用大规模多天线信道在时延域上的稀疏特性,构建深度神经网络以模拟稀疏恢复迭代算法的逐层展开,并结合大规模多天线信道的空间相关性,提出基于深度稀疏学习的大规模MIMO信道估计方法。采用该方法估计大规模多天线信道时延域上的稀疏信息,可有效提升信道估计精度和频谱效率。另外,针对噪声较大导致无线信道呈近似稀疏性的问题,本文在上述方法的基础上将降噪算法与稀疏恢复算法相结合,提出基于降噪深度稀疏学习的大规模多天线稀疏信道估计方法,以提升近似稀疏信道的估计精度。进一步,在稀疏性较不显著的信道传输环境下,为便于获得无线信道的最优稀疏化表征,本文利用卷积神经网络的高维拟合容量,对信道稀疏特征进行有效提取。通过构建卷积神经网络,学习大规模MIMO信道矢量在稀疏变换域上的特征,从而实现信道的稀疏表征和准确估计。仿真结果表明,该方法在稀疏性较不明显的信道传输环境中,能够对无线信道的稀疏变换域进行有效学习,进一步提高了大规模MIMO信道估计的信道恢复性能,而且具备更好的鲁棒性。