万物互联时代即将到来,大规模多输入多输出（multiple-input multiple-output,MIMO）作为5G和未来移动通信系统的关键技术之一,大幅度提升了数据传输速率。在大规模MIMO系统中,信号检测和波束赋形均依赖于准确的上行信道状态信息（channel state information,CSI）,但在移动通信场景中,信道老化效应的出现将损害系统性能。为了应对信道过时问题,本文结合实际信道特性,研究了时分双工（time division duplex,TDD）模式下的大规模MIMO信道预测。本文研究工作基于实测信道数据,在车与车（vehicle-to-vehicle,V2V）高速移动场景下的毫米波单输入单输出（single-input single-output,SISO）系统中采用自回归（autoregressive,AR）模型验证了信道预测可以有效缓解老化效应,并通过分析大规模MIMO实际信道特性,提出了基于信道结构进行时间序列预测的思想,以期变换后的信道特征成分更适于预测。由于大规模MIMO信道呈现出高维结构,因此选择适用于处理高维数据的多维离散傅里叶变换（discrete fourier transform,DFT）、高阶奇异值分解（higher-order singular value decomposition,HOSVD）、高阶最大自相关因子（higher-order maximum autocorrelation factor,HOMAF）三种方法变换信道结构后,再采用AR模型进行时序预测。本文选取归一化均方误差（normalized mean-squared error,NMSE）与基于线性预编码的多用户MIMO和速率作为预测性能的评估指标。研究发现,多维DFT、HOSVD或HOMAF变换将信道结构稀疏化,稀疏成分更适于预测。在大规模MIMO系统中,相较于不做任何变换直接进行AR预测,提出的多维DFT-AR、HOSVD-AR、HOMAF-AR三种预测方案均降低了预测误差,增强了系统性能。非视距场景中预测误差降低了约1～2.5 dB,当信噪比（signal-to-nosie ratio,SNR）为 10 dB 时,采用匹配滤波（matched-filtering,MF）和迫零（zero-forcing,ZF）进行波束赋形分别带来了至少3%和9%的系统速率提升。通过分析各信道特征成分的预测时间序列,发现信道中存在不可预测的特征成分。此外,以多维DFT-AR预测方案为例,研究了硬件非理想条件下的大规模MIMO信道预测。由用户端收发切换产生的时变随机相位导致信道无法预测,本文通过分析信道时域特征,提出了基于稀疏多普勒谱的修正方案。仿真结果表明,修正方案使得硬件非理想条件下的预测误差降低了约5～7 dB。