在正交频分复用(OFDM)移动通信系统中,精确、实时的信道估计是接收信息成功解调的重要保证。传统的信道估计方法由于受到奈奎斯特采样定理的束缚,在估计快速时变信道时导频开销难以降低,造成系统频谱利用率的下降。因此,如何在估计性能和及导频开销之间取得良好的折中,已成为信道估计技术亟需解决的问题。针对这一问题,本文研究压缩感知(CS)理论在信道估计中的应用,提出针对OFDM通信系统快速时变信道的稀疏估计算法,主要研究内容如下:1.分析OFDM系统双选择信道模型在延迟-多普勒域的稀疏特性,将信道估计问题转化为一个稀疏信号重建问题。根据转化形成的重建问题,设计出一种基于CS的迭代反馈估计方法。该方法在预估计的基础上,通过反复迭代不断修正感知矩阵以及测量方程以提高估计结果的精确性。相比现有的稀疏信道估计方法,提出的迭代反馈估计方法对多普勒频移造成的载波间干扰(ICI)具有更强的鲁棒性能,因此对快速时变信道能取得更精确的估计效果。此外,通过数学推导证明了该方法构造的感知矩阵满足有限等距性质(RIP),验证了在该方法中采用CS重建算法的可行性。2.对迭代反馈估计方法进行简化,提出一种复杂度更低的稀疏信道估计方法。该方法通过采用信道系统的近似模型,剔除了感知矩阵和测量方程中的未知元素,因而省去了预估计步骤,大幅简化了估计方法流程。此外,该方法采用了特定的导频排列图案,在降低ICI对测量模型影响的同时,保证了CS算法重建性能的稳定性,因而进一步提高了该方法的可靠性。与迭代反馈估计方法相比,简化方法以估计精确性的下降换取计算复杂度的大幅降低。3.分析信道参数稀疏索引集的特定结构,研究基于模型的压缩感知(MCS)理论在信道估计中的应用。将MCS理论与本文提出的迭代反馈估计方法以及简化估计方法相结合,设计出基于MCS的稀疏信道估计方法。与采用传统CS重建算法的稀疏信道估计方法相比,该方法能更有效地利用信道特定的组(块)稀疏结构特性,减少待测量参数潜在样本的数量,获得更为精确的信道稀疏索引集位置,在保证估计质量的同时进一步降低导频开销。4.针对信道具有先验概率统计特性的特定应用场合,研究贝叶斯压缩感知(BCS)理论在信道估计中的应用。对于具有高斯概率特性和非高斯概率特性的两种统计信道模型,分别采用贝叶斯匹配追踪(BMP)算法和非高斯贝叶斯匹配追踪(NGBMP)算法提出相应的贝叶斯稀疏信道估计方法。此外,还将以上两种BCS重建算法与组稀疏模型相结合,设计出基于组稀疏模型的BCS重建算法,大幅简化了对组稀疏向量的重建流程,使得提出的贝叶斯稀疏估计方法对具有组稀疏结构信道的估计性能得到进一步提高。实验结果表明,对于常见的统计信道模型,该方法能同时有效利用其先验统计信息和组稀疏结构,显著提高估计质量。5.研究多输入多输出(MIMO)-OFDM通信系统中多路信道的的相关性,将其表征为联合稀疏模型,并在此基础上采用分布式压缩感知(DCS)算法设计出针对MIMO-OFDM系统快速时变信道的估计方法。与已有的MIMO系统稀疏信道估计方法相比,该方法能同时对多路信道进行联合重建,降低了导频开销以及计算复杂度。此外,针对快速时变信道的组稀疏特性,再次利用组稀疏模型,将其与DCS算法相结合,提出基于组稀疏模型的联合稀疏重建算法,进一步提高估计性能。