近些年来,散射信道由于具有较好的稳定性以及抗干扰性能而广泛应用于军事领域中。但是散射信道的特殊衰落情况会降低频谱的使用效率,于是本文提出利用链路自适应方案来解决此问题。为了更好地实现散射信道下链路自适应方案,本文分析了散射信道的特性,并提出用TDL（Tapped Delay Line）描述散射信道模型。由于不同时刻的衰落程度并不相同,使用Rayleigh模型或者Rice模型都无法准确描述其衰落特性,于是本文采用Nakagami-m衰落模型描述其衰落特性即m参数较大时表示衰落程度较小,m参数较小时意味着衰落较为严重。在此基础上,本文提出了基于参数估计的链路自适应方案。该方案重点包含两个方面,一是衰落参数m的估计,二是基于衰落参数的自适应方案。散射信道传输距离远,路径损耗大,因此一般通信在较低的SNR环境下,本文在此则提出了低SNR下的m参数估计算法。文章首先介绍了传统的矩估计算法和最大似然算法,考虑到参数算法的实用性,本文重点研究了基于矩估计的算法。其次,由于此类算法的对信道环境要求较高,只能应用于高SNR下,并不满足散射信道的需求,因此对于文献中提到的算法,本文也从数学的角度说明其在低信噪比下有偏,无法应用于本文的m参数估计。最后,本文从数学的角度推导了低SNR下影响矩估计算法的附加项并进行了数学建模,在此基础上提出采用了修正项减小该附加项的影响,最终仿真结果表明,本文提出的算法无论在精度上还是在稳定性上远远好于传统算法。在解决m参数的估计问题基础上,本文还重点研究了散射信道下基于参数估计的链路自适应方案。这一部分首先介绍了传统的基于SNR的查表法和BayesLA算法,说明了 BayesLA算法相对于查表法可以更好利用门限余量,从而提高吞吐量。然后针对这两种一维特征参数算法的缺点,给出了基于衰落参数估计的重要意义。接着本文重点给出了两种参数估计的链路自适应方案,分别是基于频域信道衰落参数的方案和基于Nakagami-m参数的方案。基于频域信道衰落的方案需要和KNN（K-Nearest Neighbor）、RF（Random Forest）等分类算法结合应用,此外本文提出了一种新的衰落特征参数表征信道质量,通过对特征进行离线学习得到分类模型,进而得到最佳MCS（Modulation and Coding Scheme）;基于 Nakagami-m 参数的方案直接根据m参数和SNR选择最佳的MCS,比较简单,无需离线学习。仿真表明,这两种参数估计算法相比于传统算法极大的提高了系统的吞吐量。