本文主要研究了大规模多输入-多输出(Multiple-Input Multiple-Output,MIMO)正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统下行链路的峰均比(Peak-to-Average Power Ratio,PAPR)抑制问题。在未来的大规模MIMO-OFDM系统中,基站可能会配备上百根发射天线,而同时服务的用户数可能只有十几个,远远小于发射天线数。这就为PAPR的抑制提供了大量的自由度,使得我们可以在不明显损失系统性能的情况下,设计出高速有效的PAPR抑制方案。利用发射天线的额外自由度,本文提出了两种PAPR抑制方法。本文首先讨论了利用预编码自由度来设计PAPR抑制方法的基本思想,然后设计了一种基于贝叶斯学习的PAPR抑制算法,其利用预编码的自由度,把多用户预编码约束、OFDM调制联合建立成一个欠定的线性方程组,然后利用贝叶斯学习的方法在该方程组中寻找具有低PAPR的解。具体来说,我们首先设计了一种基于截断高斯混合模型的双层先验概率模型来模拟低PAPR信号的特征,然后结合变分期望最大(Expectation Maximization,EM)算法和广义近似消息传递(Generalized Approximate Message Passing,GAMP)算法,提出了一种有效的贝叶斯推理方法来交替更新概率模型的变量和参数,从而估计出具有低PAPR特征的发射信号。仿真结果表明,这种方法在奈奎斯特采样率下具有很强的PAPR抑制能力和很快的收敛速度。接下来,我们详细分析了前面基于预编码自由度的PAPR抑制方法在实际实现时可能面临的问题,然后提出了一种基于加扰的PAPR抑制技术,其基本思想为:在频域引入一个人工干扰信号,其不但能够降低发射信号的PAPR,同时不会引起信号的带内失真和带外辐射。我们根据这种思想把基于加扰的PAPR抑制问题建立成了一个凸优化问题,并利用基于?∞范数的近邻算子和交替方向乘子法(Alternating Direction Method of Multipliers,ADMM),设计了一种高效的优化算法求取它的近似解。由于这种方法的优化变量是频域信号,而不是过采样后的高维时域信号,因此对过采样具有强的鲁棒性。同时该方法并不涉及预编码的设计,因此能够直接兼容现有的实际通信系统。仿真结果表明,在过采样下,相比基于预编码自由度的PAPR抑制方案,基于加扰的PAPR抑制方案能够更有效地利用天线自由度,具有更好的PAPR抑制能力和更快的收敛速度。