近二十年来,我国高铁迅猛发展,取得了全球瞩目的成就。除此之外,“一带一路”战略的实施,也给高铁的发展带来了机遇,使得高铁肩负起互联互通的时代使命。随着高铁建设规模不断扩大,速度不断提高,相应的高铁无线通信业务的需求也在不断增长。为了满足高铁移动通信对数据传输速率日新月异的需求,高铁通信系统已经从原本的GSM-R过渡到LTER,此外,5G-R也被提出并列入重点研究范畴。随着深度学习在计算机视觉、自然语言处理、语音识别等领域的成功应用,机器学习也重新受到重视。研究人员正在积极尝试将这些技术扩展到无线通信领域,进而产生智能通信系统。智能通信被认为是5G之后无线通信发展的主流方向之一,其基本思想是将深度学习应用到无线通信系统的各个层面,实现无线通信与人工智能技术的有机融合,从而大幅度提升无线通信系统的效能。受上述思想的启发,本文致力于研究基于深度学习的高铁移动通信信道预测和信号检测技术,探索高铁移动通信智能化发展。本文先从大尺度和小尺度两种衰落特性来描述无线通信场景下的路径损耗。接着,又论述了一些深度学习的基本模型,并介绍了深度学习目前的主流框架。此外,本文着重对高铁移动通信场景下基于LSTM神经网络(LSTM-NN)的信道预测和基于深度学习的信号检测进行研究,主要包括以下创新性工作。(1)首先,本文针对高移动速度导致的信道状态信息迅速失效的问题,提出了一种高铁移动通信场景下基于LSTM-NN的信道预测方法。这是一种完全由数据驱动的信道预测方法,能够有效地捕获并提取之前时刻的信道特征从而准确预测未来时刻的信道状态信息,在很大程度上缩减了传统信道预测方法所需的导频开销,并为高铁通信系统提供技术支撑。仿真结果表明,基于LSTM-NN的高铁移动通信信道预测的性能更加稳定,预测的准确性也更高。(2)其次,本文针对高铁移动通信场景的特殊性和复杂性,创造性地提出了一种基于深度学习的MIMO信号检测方案。该方案通过对高铁行驶路段各位置区域的历史通信数据进行挖掘聚类,并为每个划分好的区域创建对应的神经网络模型,从而设计出一种基于高铁位置区域的深度神经网络信号检测算法,使得整个系统可以根据高铁所处位置直接检测信号,大幅度降低了高铁信号检测的复杂性。最终,本文选择高架桥作为研究场景进行仿真分析,将单个场景进一步划分为多个区域,并验证了该方案的有效性。本文旨在研究高铁移动通信场景下基于深度学习的信道预测和信号检测技术,进一步提升高铁移动通信系统的性能,探索高铁移动通信的智能化发展。