大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术凭借其高频谱效率和高能量效率的优势成为了 5G关键技术之一。由于大规模MIMO系统中基站天线数量巨大,基站获取下行信道状态信息(Channel State Information,CSI)将造成巨大的系统开销,由此制约了频分双工(Frequency Division Duplex,FDD)模式下5G网络的实际应用。如何以较低开销精确反馈高维CSI是设计FDD大规模MIMO系统必须解决的瓶颈问题之一。人工智能技术尤其是深度学习的发展为降低大规模MIMO系统的CSI反馈开销提供了新的解决思路,智能通信也成为无线通信和6G发展的主流方向之一。但目前,如何实现无线通信与深度学习有机融合仍处于探索阶段,现有工作在深度学习方案的设计中结合无线通信领域知识与可解释性等方面的研究还远远不足。有鉴于此,本文将研究基于深度学习的大规模MIMO系统低开销CSI反馈,针对已有深度学习方案面临的低开销高精度反馈问题和可解释性问题,结合无线信道特性和传统方法的优点设计相应的解决方案。为了以较低的反馈开销实现高精度CSI反馈,首先,利用大规模MIMO上下行信道的物理环境相关特性,提出了基于双向信道相关性的深度学习CSI反馈方案;其次,利用大规模MIMO信道在时域内的相关特性,提出了基于时变信道马尔可夫模型的深度学习CSI差分反馈方案;然后,针对CSI反馈中的码字编码问题,利用深度学习的端到端优化特性,提出了基于维度压缩与码字量化联合优化的CSI反馈方案。最后,针对深度学习方案的可解释性问题,综合利用压缩感知算法的可解释性和神经网络数据驱动调参的优点,提出了基于深度展开的CSI反馈方案。具体而言,本文主要包括以下四个方面的创新工作:1.针对大规模MIMO系统CSI反馈在复杂场景下和压缩率较小时仍有较大的精度损失的问题,本文第二章提出了基于双向信道相关性与深度学习的CSI反馈方案DualNet。具体而言,DualNet利用上下行CSI在时延域上存在的相关性,构造基于深度自编码器的CSI反馈架构,利用基站侧可用的上行CSI辅助下行的CSI恢复,提高大规模MIMO系统低开销反馈下的CSI重构精度。为了进一步降低反馈开销,第二章研究了在不依赖于相关部分反馈的情况下基于上行CSI的下行CSI预测,并探究部分信道参数配置对双向信道相关性的影响,为降低基于深度学习的大规模MIMO系统CSI反馈开销提供参考方向。2.为了在实现低开销高精度CSI反馈的同时降低部署成本,本文第三章利用大规模MIMO信道在相干时间内存在的相关性,进一步从时间维度上挖掘了降低CSI反馈开销的潜力,提出了基于时间相关性与深度学习的CSI差分反馈方案DiffNet。具体而言,第三章首先研究了大规模MIMO信道的时间相关特性,从条件熵的角度衡量了相邻CSI之间可以提供的先验信息。在此基础上,不同于使用循环神经网络(Recurrent Neural Network,RNN)在挖掘时间序列变化规律的同时会带来巨大的存储和计算开销,DiffNet利用MIMO信道变化的一阶马尔可夫模型设计了 CSI差分反馈网络,通过反馈基于相邻时刻CSI的估计误差,在提升CSI反馈精度的同时降低存储开销和复杂度。然后,DiffNet根据CSI数据特性提出了球面归一化反馈和CSI反馈增强网络来提供初始时刻的高精度CSI反馈,帮助差分模型获得更准确的先验信息。之后,为了进一步降低CSI反馈模型的存储开销和计算开销,第三章设计了基于卷积神经网络的维度压缩模块帮助剔除神经网络中的冗余连接。验证结果展示了 DiffNet在降低存储开销和复杂度的同时,可以明显提高大规模MIMO系统低开销反馈下的CSI重构精度。3.目前基于深度学习的大规模MIMO信道反馈主要集中在CSI矩阵的维度压缩上,如何对维度压缩后的码字进行高效的编码仍亟待解决。针对上述问题,本文第四章利用深度学习的端到端优化特性,设计了一种模块化的高效压缩反馈框架CQNet来联合优化CSI维度压缩、码字量化和恢复。CQNet中提出了一个可插拔的量化模块,通过为维度压缩后码字矢量中的每个元素自定义量化间隔和μ律压扩器来提升量化效率。同时,CQNet中使用幅度自适应相位量化在极坐标系中设计了一种高效的量化反馈方案。然后,通过将CQNet与两个现有基于深度学习的CSI反馈方案进行集成,来展示CQNet在提升带宽效率方面的简单性和有效性。验证结果表明,CQNet能够在大规模MIMO系统低开销反馈下实现良好的CSI反馈精度和鲁棒性。4.针对基于深度学习的CSI反馈网络结构设计缺乏可解释性的问题,第五章综合利用压缩感知算法的可解释性和神经网络数据驱动调参的优点,提出了 一种基于深度展开的CSI反馈方案TMM-ISTANet+。TMM-ISTANet+由一个用于维度压缩的测量矩阵构成的编码器和用于CSI迭代重构的可解释解码器构成。针对随机生成的测量矩阵难以充分利用信道特征带来的反馈性能损失问题,TMM-ISTANet+引入可训练的测量矩阵来挖掘CSI数据特性和提升CSI矩阵的压缩效率。同时,为了提升解码器网络结构设计的可解释性,TMM-ISTANet+将用于压缩感知重构的迭代收缩阈值算法(Iterative Shrinkage-Thresholding Algorithm,ISTA)展开为对应的深度网络模块。通过端到端的梯度下降训练,TMM-ISTANet+可以针对CSI数据特性进行编解码网络参数的调优。验证结果表明,TMM-ISTANet+在从网络结构设计角度提升CSI反馈方案可解释性的同时,也保障了大规模MIMO系统低开销反馈下的CSI重构精度。