多输入多输出(MIMO)技术采用了多根发射天线和接收天线,能够在不增加系统带宽和天线总发射功率的情况下,大大提高系统的频谱利用率。MIMO系统若想使系统能够利用诸如功率注水、波束赋形等发送预处理技术实现更好的系统性能,就需要在发射端提前知道当前时刻的信道状态信息,从而根据此刻的信道状态信息自适应调整发送策略。但是信道时变的影响使发送端获得的信道估计信息是过时的,从而造成MIMO系统的信道损失。本文采用信道预测技术来补偿上述信道时变特性,进而避免因此而导致的系统性能损失。具体工作如下:1推导了复数BP神经网络学习算法,该算法擅长处理有较强非线性特性的数据,进而应用该算法进行时变MIMO系统信道预测。仿真结果表明,复数BP神经网络预测算法和LS-SVM预测算法相比具有更高的预测精度。2提出了基于复数小波神经网络的时变MIMO系统信道预测算法。该算法是小波理论和复数神经网络的结合。仿真结果表明,复数小波神经网络算法比复数BP神经网络算法和LS-SVM算法有更高的预测精度,并且对于噪声有更好的容忍度。3给出了传统GPC(Grassmannian Predictive Coding)算法中步长优化的方法,接着给出了基于劳埃德量化的GPC算法,通过接收端反馈的错误向量在码本中对应的索引,来进行下一时刻的信道状态信息预测。仿真结果表明,通过对步长的优化,GPC算法可以得到更好的预测精度。