虽然频率资源是无限的,但是可利用的频段是有限的,目前各个可利用频段大多已经分配完毕,那么如何高效地利用频谱资源是一个很关键的问题。在移动通信和无线通信中,链路自适应技术是能有效提高频谱利用率的通信技术之一。由于单载波频分多址接入（Single-carrier Frequency Division Multiple Access,SC-FDMA）技术相比于正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）能够有效降低通信信号的峰均比,在第四代移动通信（The fourth Generation,4G）和第五代移动通信（The fifth Generation,5G）中许多专家已经对它开展了大量的研究,本文对SC-FDMA通信系统的链路自适应实现步骤给出了详细说明,包括从SC-FDMA数据帧中获取信道信息,对信道信息进行有效信噪比映射,根据预测得到的有效信噪比去选择调制和编码策略（Modulation and Coding Scheme,MCS）等。散射通信由于传输距离较远、通信环境恶劣、信道条件波动较大,使用链路自适应技术效果会更好,所以本文选择在散射通信系统中研究链路自适应技术。在链路自适应中,信道质量预测是其中一个必不可少的步骤,所以本文对信道质量预测算法展开研究。信道质量预测的两个关键步骤分别是提取时间序列的特定成分和选择合适的预测算法,所以本文对数据分解算法和预测算法进行了详细介绍,通过对它们各自的性能分析,本文最终采用变分模态分解（Variational Mode Decomposition,VMD）算法进行数据分解,采用后向传播（Back Propagation,BP）神经网络作为基学习器进行信道质量预测。同时,本文提出了一种针对BP神经网络的多步预测误差估计方法,为信道质量的多步预测性能提供了参考依据。在机器学习中可以运用集成学习的思想将基学习器组合使用,这种集成方法往往比单独使用基学习器效果更好。本文将BP神经网络作为基学习器,运用Bagging集成学习进行预测,提出了一种基于VMD和Bagging集成的信道质量预测方法,这种预测方法与现有的其他方法相比能够降低信道质量预测误差,提高信道质量预测精度,在基于SC-FDMA系统的链路自适应中能有效提高系统的吞吐量,进一步提高频谱资源的利用率。