移动通信网的发展趋势越来越强调带宽利用率和传输性能。然而伴随传输速率的提升,带来的却是越来越恶劣的无线传播环境。移动速度越来越快,导致信道快速衰落,信号的幅度和相位在通信周期内剧烈变化。城市环境中大量散射造成信号的时间弥散,接收信号中充斥着码间干扰。对这些不利条件地克服,以实现高速、高性能地数字传输成为当前移动无线通信研究的主要任务。MIMO和OFDM技术将是下一代移动通信的关键技术。两者的结合充分利用了空间分集、频率分集和时间分集来改善系统的容量和抗噪声性能。然MIMO-OFDM的高效性能依赖于接收端的信道估计的准确性。没有信道估计的OFDM系统只能采用非相干解调。在一个MIMO-OFDM系统中,别的模块可能被其他的功能模块替换掉,唯独信道估计是不可或缺的。差别仅在于所采用的信道估计方法而已。本文围绕MIMO-OFDM系统中的信道估计技术展开分析研究,并且结合MATLAB仿真对这些方法的有效性和可行性进行了全面的分析和比较。较为广泛的信道参数估计方法分为基于导频的信道估计算法和盲信道估计算法。但是,在实际无线环境中,信道是变化的。常规信道估计方法中导频占用过多的频率资源,而盲估计方法虽然能够节省带宽、提高频谱利用率,但是计算复杂度较高,所以在时变信道中,以上方法将不再适用。本文采用粒子滤波器方法对信道进行跟踪,从而估计信道的状态信息。粒子滤波器算法可实现递推贝叶斯滤波,适用于任何能用状态空间模型及传统卡尔曼滤波方法表示的非线性系统,跟踪估计精度可逼近最优估计。通过与传统方法比较,验证了该方法的高效性。对于粒子滤波器算法,信道跟踪的初值是影响信道跟踪性能的主要因素之一。为了确定跟踪的初值,我们利用径向基神经网络对信道进行学习和训练。尽管算法的复杂度较高,但给出信道初值后,不再需要其他的训练序列或导频信号。仿真验证了算法的高效性。