在机器学习大热的二十一世纪,无线通信技术也因此进入了全面发展的时代,在全球的应用场景越来越广泛,场景分类就是其中的热点。利用无线信道的电波传播特性、信道衰落特性以及信道空时特性来进行研究,可以提取出无线信道的特征,对特征进行分析就可以达到对于当前无线通信场景的分类的目的,这具有非常重要的学科研究价值,对于研究无线通信性能也具有很大的好处。目前场景分类技术多应用于图像以及视频处理领域,而对于无线通信领域中的场景分类技术研究还不够详细。随着机器学习的大热,无线通信环境下需要进行分类的相关场景种类的数据库也越来越庞大,而用耗时的人工进行场景分类已不能满足当前社会的需要,不仅耗费的时间和精力非常大,获得的场景分类效果也不高,所以将机器学习相关技术引入无线通信场景分类方法中来提高场景分类的效率,减少相关开销。本文从无线信道的特征矩阵,机器学习算法以及无线通信场景分类等方面进行研究,重点研究基于无线信道特征的无线通信场景分类方法,并且将机器学习中的SVM算法(支持向量机)和决策树算法引入到无线通信中,提出了基于机器学习的无线通信场景分类方法。该方法可以在场景切换的情况下对无线通信场景实时地进行分类,还可以对分类结果进行分析,弥补了对于场景分类结果研究的不足,展现了不同的属性对于无线通信场景分类的影响。本文主要的研究工作和创新如下:(1)对无线信道的特征进行精简,只选取了角度功率谱、到达角变化和路径损耗三种特征进行分析,降低了无线通信环境下场景分类的计算复杂度,提高了场景分类的速度。(2)针对无线信道多变的特点,设计了一种基于支持向量机的无线通信场景分类方法,可以利用无线信道的特征矩阵实时地对场景进行分类,当环境发生变化时可以实时地分类出来,提高了无线通信环境中在场景变换情况下的实时场景分类效率和正确率,节约了时间成本。(3)将机器学习中的决策树算法引入无线通信场景分类方法,对无线信道的特征矩阵转化成的属性矩阵进行训练,建立分类决策树和结果决策树对无线通信场景进行分析和研究,进一步降低了无线通信场景分类的时间成本,弥补了对于场景分类结果研究的不足,分析不同的属性的影响因子,体现不同的属性对于不同的场景分类结果的影响。