大规模多输入多输出（Multi-Input Multi-Output,MIMO）技术有助于频谱效率、能量效率和系统容量的提升,已成为5G移动通信关键技术。因频分双工（Frequency Division Duplexing,FDD）系统具有传输能力强和前向兼容的优势,FDD是大规模MIMO系统重要的双工方式。但FDD模式面临的挑战在于用户端需要将下行信道状态信息（Channel State Information,CSI）通过上行链路反馈给基站端。随天线数和子载波数目增加,CSI反馈将消耗大量时频资源。因此,FDD大规模MIMO系统中以低开销获取下行CSI至关重要。对于FDD大规模MIMO系统,已有基于压缩感知的反馈方案可利用信道稀疏性减少反馈量,但仍存在一些局限性。首先,难以获取信道的严格稀疏表示。当路径角度没有落在采样格点上时,常用的DFT变换存在能量泄漏的现象,这将影响CSI重构算法的性能。其次,常用的凸松弛和贝叶斯学习算法计算复杂度较高,不适用于低时延场景。相比于传统迭代算法,基于深度学习的反馈方案在计算时间上有明显优势。但已有方案大多将神经网络视为一个黑盒,模型构建的可解释性差。本文提出基于模型的下行CSI反馈网络,结合压缩感知和深度学习方法,利用信道数据特征来提高下行CSI的重构效果。针对传统压缩感知算法的两点局限性,本文提出一种基于迭代展开网络的CSI反馈方案。使用迭代展开网络替代传统迭代算法,以更短的时间重构下行CSI。同时,采用稀疏自编码器获取信道严格稀疏表示,以提高下行CSI重构效果。实验结果表明,当压缩率大于1/32时所提方案优于传统压缩感知方案和已有基于深度学习的反馈方案。并且,所提方案重构速度明显优于传统基追踪算法。为进一步提高下行CSI的重构准确度,本文利用FDD上下行信道中角度、时延参数的一致性,提出一种上行CSI辅助的下行CSI重构方案。将CSI重构问题建模为加权L1范数最小化问题,根据上行CSI支撑集信息设置权重。并根据上下行信道特征,设计了一种联合稀疏自编码器学习上下行信道联合表示。实验结果表明,所提方案的重构准确度优于已有的上行CSI辅助反馈网络、以及未引入上行CSI的网络。