近年来,无人机(Unmanned Aerial Vehicle,UAV)相关技术发展十分迅速,深刻影响着社会发展的方方面面,最初的单架无人机执行简单任务的模式无法完全满足无人机执行复杂任务的需求,无人机协同执行任务成为一种必然发展趋势。无人机协同执行目标探测与识别任务时,往往需要共享高清乃至虚拟现实级别的图像数据,催生出无人机平台之间大带宽移动通信的需求。随着高频段无线移动通信领域有关研究的逐步深入,毫米波(millimeter wave,mm Wave)在大带宽移动通信方面表现出的一定的潜力,可以满足无人机平台通信的大带宽需求。在无人机毫米波通信中,无人机平台的高动态特性导致无线信道快速变化。此时,传统导频辅助信道估计的方式来获取无人机之间的信道状态信息(Channel State Information,CSI)需要高密度插入大量导频来保证信道估计的准确性,但是无人机信道快速多变会使信道估计值存在过期的问题。为了解决这一问题,本文提出了一种新型的自适应结构超限学习机(Adaptive-Structure Extreme Learning Machine,ASELM)。该算法能够降低信道预测的误差,并且可以支持无人机毫米波通信。另外,本文还提出了滑动窗口预测机制(Sliding Window Prediction Mechanism,SWPM)来实现在线信道预测。本文具体研究工作如下:1)本文阐明了无人机毫米波通信的背景和意义,概述了信道预测研究现状,综合分析了自回归(Autoregressive,AR)模型、回声状态网络(Echo State Networks,ESN)算法的研究现状和基本算法原理,通过对这些算法在信道预测中的应用进行仿真分析证明了算法的在瑞利信道中的预测效果较好。2)针对无人机平台通信场景,本文设计了 ASELM信道预测算法,该算法通过自适应地调整ELM隐藏神经元的数量来适应信道变化。仿真结果表明,所提算法相比于AR算法,ESN算法以及传统的ELM具有更小的预测误差。3)为了实现在线的信道预测,本文在ASELM算法的基础上进一步提出了 SWPM算法,通过有效地复用预测CSI值来训练ASELM进而预测后续CSI,当预测误差超过所设置的阈值之后,算法会插入信道估计值替代训练集中原有的预测值进行校准,误差降低以后会继续使用预测值进行下一步信道预测,从而实现在线连续信道预测。仿真结果表明,该算法可以实现在线跟踪信道变化并进行长时的连续信道预测。