大规模多输入多输出（Massive Multiple-input Multiple-output,Massive MIMO）是第五代移动通信（Fifth Generation of Mobile Communication,5G）的关键技术之一,其中信号检测技术在5G通信环境中具有重要的研究意义。传统的大规模MIMO信号检测方法应用在当前的通信系统很难平衡误码率性能与复杂度,而人工智能技术的发展使当前的研究者受到了启发,他们将信号检测技术与深度神经网络（Deep Neural Network,DNN）相结合得到了各种信号检测网络,一些检测网络通过对迭代检测算法的设计可以避免矩阵的求逆,并且通过神经网络结构对各层权值的自动优化,可以省去一些参数的人为计算。尽管目前基于DNN辅助的信号检测技术能够很好的平衡性能与复杂度,但是它还是存在学习开销和训练集过拟合的问题。在无线环境变化的通信系统中,信道的参数会不停变化,而当前的信号检测网络中,为特定无线环境（即信道模型）训练的DNN辅助的信号检测器通常不适合另一个环境（即信道模型）,为了解决这个问题,避免重复训练导致学习开销过大,本文将使用深度学习（Deep Learning,DL）中的持续学习（Continual Learning,CL）算法来实现信号检测网络的实时更新,主要内容如下:本文针对大规模MIMO系统,提出了一种基于弹性权重巩固持续学习（Elastic Weight Consolidation Continual Learning,EWCCL）的信号检测方法。由于在移动通信中,无线信道受无线传播环境影响,信道参数常常发生变化,导致信道模型变化,而目前的信号检测网络一般只能记忆单一的信道模型,这使得基于DL的信号检测器使用受限鲁棒性差。本文采用莱斯信道模型,并通过对莱斯信道参数的调节来模拟多信道。本文的基本思想在完成一次训练后,通过EWCCL方法计算出每个参数对该任务的重要程度,然后在下一次训练时,在损失函数中加入正则项后,避免因这些参数偏移过多而导致上次训练的结果被完全覆盖。这种算法可以使神经网络能记忆多个无线信道的训练结果,从而对无线信道的变化具有更强的鲁棒性,也减少了重新训练的开销。最后通过仿真实验验证了方案的可行性,证明了使用EWCCL算法的信号检测网络在大规模MIMO多信道的系统中具有次优的性能。本文在毫米波大规模MIMO系统下,将EWCCL算法进行了改进,由于毫米波穿透性差,波长短,绕射能力差,路径损耗大,所以障碍物阻挡、大气、雨水、通信距离的延长等环境因素的变化都会使信道的散射参数发生变化。本文采用窄带毫米波信道模型,并通过对毫米波信道模型散射参数的调节模拟了毫米波信道易受环境影响的性质。由于EWCCL算法的惩罚项,会随着任务增多而线性增长,导致了计算开销过大,而毫米波信道对环境的变化更为敏感,本文将使用场景推广到了N个毫米波信道的情况下,并通过对惩罚项的近似处理以及添加遗忘因子,不仅减少了计算复杂度,优化了计算机存储的分配,而且可以控制网络的遗忘速度,平衡各个任务之间的性能,相比之前的EWCCL算法在工程上也更加容易实现。