随着无线通信技术的不断发展,传统的MIMO技术已经无法满足日益增加的数据需求。Massive MIMO作为5G标准的备选方案之一,通过增加发射和接收天线数目,可以极大的提高信道容量,并且可以相对方便的从现有的MIMO系统下进行平滑过渡。同时,大规模的天线阵列增加了信道的维度,对于信道矩阵相关的算法,比如预编码、信道检测和信道估计等,实现复杂度上也会迅速上升。SVD作为矩阵分解的重要手段,在这些算法上均有着广泛的应用,如何在大规模矩阵下实现低复杂度的SVD算法,成为亟待解决的问题。本文首先介绍了Massive MIMO的特点和存在的一些技术挑战,以及SVD在MIMO下的应用。接着对常见的SVD分解算法做了介绍,对于Golub-Kahan算法,主要研究了块对角化和QR迭代过程。对于Jacobi旋转算法,分析了实数域双边Jacobi变换和对应的脉动执行过程。对于Hestenes-Jacobi算法,主要介绍了两种重要的数据计算顺序。这些算法都求解了矩阵的完整SVD,在大规模矩阵中拥有较高复杂度。在MIMO预编码系统中只需要较大奇异值对应的奇异向量。本文提出了一种基于Hestenes-Jacobi的局部SVD分解方法。该算法收敛后只得到矩阵的部分奇异值和对应的奇异向量,不需要求解整个SVD,在一定程度上减少了运算量,但是同时会影响收敛性能。通过结合局部SVD和完整SVD的各自优点,本文对该算法作了进一步改进,使得收敛性能得到了极大的改善。另外,本文研究了一种基于格拉斯曼流形的梯度跟踪算法,并且对其性能做了仿真验证。该算法将最优化问题引入到流形中,同时利用了常见场景中时变信道缓慢连续变化的特点,实现了奇异向量实时跟踪信道变化,降低了SVD复杂度。最后对于提出的局部SVD分解方法,本文设计了VLSI硬件架构和FPGA实现,同时通过比特量化分析,提高了资源利用率。本文设计的架构主要包括控制器、数据缓冲区、数据总线、存储器、处理器和连接器,利用CORDIC核进行角度计算和向量旋转。该架构可以满足任意m×n(max(m,n)≤32)矩阵、所需奇异值个数为2的的局部SVD分解,并且具有优秀的扩展性,可以很容易地增加矩阵维度以及奇异值个数。