高频段信道估计作为B5G技术发展的重要一环,受到了越来越多的关注与研究,针对该信道趋于稀疏化的特征,压缩感知算法作为稀疏信道重构的关键技术,其相关研究具有十分重要的实际意义。本论文聚焦压缩感知算法中测量矩阵设计环节与信道重构算法环节,对列间低相关性测量矩阵建模以及基于贪婪重构的优化改进算法等技术展开研究,本文的主要研究工作与贡献如下:首先,针对测量矩阵列间相关性导致信道估计性能下降的问题,本文提出了分段列相关的矩阵结构模型,并且对基于该模型构造的测量矩阵进行仿真验证。其结果表明该测量矩阵相比于传统的测量矩阵能够有效降低列间相关性从而提高了信道估计精度。此外,受分段列相关矩阵结构特征的启发,本文提出了基于预选集的分组并行化重构算法。其中,重点研究了预选集与分段列相关矩阵结构的适配模型;同时根据该模型提出了分组并行化的结构;然后给出了基于相关性的分组筛选支撑集方案。经过仿真实验可知,该算法不仅能够有效缩短运行时间而且作为全局处理方式能提高信道估计精度。其次,针对传统贪婪重构算法存在无法有效剔除错误索引导致信道估计精度低的问题,本文提出了动态反馈匹配追踪（DFMP）算法。其中,主要研究了通过增加反馈集动态扩充候选集的办法;并且提出了基于动态约简集的筛选方案。仿真结果表明DFMP算法的信道精确估计概率明显高于传统算法,所以该算法不仅能够选取更多的潜在正确索引而且能够随着迭代进行动态地剔除错误索引集。但是DFMP存在索引集固定选取与迭代次数偏多的问题,为达到既保证重构精度的同时又能兼顾降低运行时间的要求,本文提出了快速动态反馈匹配追踪（FDFMP）算法。其中,研究了基于预设反馈长度的优化方法;并且提出了基于残差跟随的索引集动态选取方案。仿真结果显示FDFMP算法的运行时间与精确重构概率相比于DFMP算法都得到了提升,因此该算法在减少索引集偏差的同时还能够加速支撑集的扩充。