相比于传统多输入多输出（Multiple-Input Multiple-Output,MIMO）技术,大规模MIMO拥有多种优势,如频谱利用率高,系统容量大等,但是这些都以基站能够获取准确的下行信道状态信息（Channel State Information,CSI）为前提。而在频分双工（Frequency Division Duplex,FDD）模式中上下行链路不再具有互易性,因此基站只能通过反馈获得准确的下行链路CSI,但在大规模MIMO系统中基站处通常部署了大量的天线,使得CSI反馈开销急剧增大,造成通信系统性能下降,因此如何降低CSI反馈开销是FDD模式大规模MIMO系统研究的热点问题之一。近年来深度学习技术快速发展并被应用到多种行业中,并且其表现出了比传统技术更好的性能。同时,深度学习技术在实施的过程中,只对输入数据做简单的矩阵乘法和加法,没有复杂的运算操作,这给研究大规模MIMO系统低开销高精度的CSI反馈方法提供了新思路,基于此,本文对如何将深度学习技术与大规模MIMO系统CSI反馈结合进行了研究,旨在降低大规模MIMO系统CSI反馈开销并提高CSI恢复精度。本文主要的工作如下:（1）介绍了大规模MIMO技术演进过程,拥有的优势以及实施过程中面临的挑战,在此基础上引出了大规模MIMO系统模型并阐述了信道特性,接着介绍了常用来进行CSI反馈的方法,包括码本方法,压缩感知方法以及深度学习方法。为后续的研究奠定了基础。（2）针对现有CSI反馈方法数据恢复精度低的问题,提出了一种基于注意力机制的CSI反馈方法。所提方法在用户端采用卷积神经网络（Convolutional Neural Network,CNN）对信道特征进行提取,接着使用全连接神经网络（Fully Connected Neural Network,FCNN）对提取的特征进行压缩;在基站端先将接收到的数据恢复到原始大小,然后使用CNN对信道数据进行预测恢复,为了提高CSI恢复的精度,利用空间注意力机制对重要特征进行恢复以及通道注意力机制获得不同通道数据的权重。最后仿真结果表明,相比于传统方法以及Csi Net方法,所提方法具有更好的反馈性能。（3）研究了大规模MIMO系统信道的空间相关性以及针对现有基于深度学习的CSI反馈方法提取特征不够完善,提出了一种基于非局部神经网络的CSI反馈方法。为了增大网络的感受野,所提方法在数据压缩阶段采用扩张卷积神经网络（Dilated Convolutional Neural Network,DCNN）对特征进行提取,该网络能够在不增加计算复杂度情况下扩大网络的感受野获取更多的信道特征;在CSI恢复过程中,利用大规模MIMO信道的空间相关性,使用非局部神经网络获得远程依赖信息,提高CSI重构精度。仿真结果表明,所提方法与传统方法以及Csi Net方法相比,能够进一步提升CSI反馈性能。