现如今无线通信业务需求呈指数增长,针对频谱资源有限的问题,提出多输入多输出技术。而大规模多输入多输出技术通过在基站侧放置大规模天线阵列,在频谱资源不需要增加的情况下可有效提升无线通信的传输速率及频谱效率。但随着收发两端天线增加,空间信道环境趋向复杂,发射端将信号进行编码、调制后从天线发出,通过无线信道到达接收天线时,将接收信号恢复为原始发射信号的过程正面临巨大的挑战。传统线性最小均方误差算法虽达到次优检测性能,但计算复杂度会随着矩阵维度变大导致矩阵求逆困难而相应提升,另外,最大似然算法需要在检测过程中遍历每个接收信号,随着天线数的增加,导致计算复杂度陡增。基于此背景,本文对大规模多输入多输出上行链路信号算法进行深入研究。本文主要工作为:首先给出大规模多输入多输出上行链路信号检测模型,对现有传统检测技术中线性的迫零算法、最大比合并算法、最小均方误差算法和非线性的串行干扰消除算法、最大似然算法的原理进行分析,为了验证几种经典算法的误码率性能,通过MATLAB仿真软件进行仿真,根据仿真结果可知,所有算法中最大似然算法的误码率最小,信号检测性能最好,非线性算法的误码率曲线要比线性算法更接近最优误码率曲线,说明非线性检测算法可以更好的还原发送信号,QAM调制下信号检测性能普遍比QPSK调制下的好。随后提出一种共轭梯度算法和自适应阻尼雅克比算法相结合的线性混合迭代算法,利用共轭梯度算法的特性在信号开始检测时为自适应阻尼雅克比算法提供较优的搜索方向,为了使混合迭代算法的收敛速度变快,免除后续检测信号受松弛参数的影响,利用Chebyshev多项式消去自适应阻尼雅克比算法中的松弛参数,最后通过软判决,使信号检测性能提高。仿真结果表明,混合迭代算法的误码率曲线比雅克比迭代算法或共轭梯度迭代算法更接近最小均方误差算法,当迭代次数增加时,混合迭代算法的误码率值会逐渐减小,直到迭代次数达到3或者4时,检测性能提升不再明显,算法收敛速度较快,且计算复杂度远低于最小均方误差算法。最后提出一种基于排序串行干扰消除算法的ML-D-OSIC算法,为解决早期误差传播问题,定义预定义阈值并提前给定,当检测点和星座点之间的距离值大于预定义阈值时通过最大似然算法选择最佳符号,同时根据遍历容量动态调节消除层的数目,在剩余层中采用混合迭代算法。仿真结果表明,ML-D-OSIC算法的误码率曲线比线性检测算法和排序串行干扰消除算法更接近最大似然算法,当预定义阈值越小时,ML-D-OSIC算法的检测性能优于排序串行干扰消除算法和线性检测算法且计算复杂度要远低于最大似然算法。