伴随着移动通信技术的快速发展,人类逐步迈入了万物互联的时代,大量新的服务与应用出现在了人们的面前。然而,爆炸性增长的流量需求已经逐渐逼近通信网络的系统容量,同时高速率传输与低时延等通信需求也同样给现有的通信系统带来了巨大的挑战。随着5G技术的推广与商用,通信领域正处于一个崭新的发展阶段,亟需创新性的方法与技术来推动其下一步发展。近年来,深度学习成为了学术界和工业界的关注热点。深度学习可以通过神经网络学习数据样本的深层特征,并且在面对非结构化信息与海量数据时有巨大优势。本文研究了深度学习在无线通信信号处理领域的主要应用,并将重心放在5G关键技术:频分双工（Frequency Division Duplexing,FDD）大规模多输入多输出（Massive Multiple-input Multiple-output,MIMO）下行链路系统中的信道状态信息（Channel State Information,CSI）反馈问题上。在Massive MIMO系统中基站会配备大量天线,这样会导致基站获取CSI信息产生大量开销。为了减少反馈开销,本文基于深度学习自动编码器网络,对CSI信息的压缩重构任务进行了研究。具体研究内容如下:1.设计了一种基于卷积层感受野变换的CSI压缩重构方法。该方法通过在网络的编码器中扩展卷积感受野来有效展现信号的稀疏性,优化对原始信号的特征提取。仿真结果表明,该方法优于现有的基于压缩感知（Compressed Sensing,CS）的方法和基于深度学习的方法Csi Net。相比于Csi Net,在不同压缩率下室内场景的归一化均方误差（Normalized Mean-Square Error,NMSE）平均降低了约1.13dB,室外场景的NMSE平均降低了约0.12dB。2.针对现有基于深度学习的CSI反馈方法难以适应多种不同测试场景的问题,设计了一种基于多尺度特征融合的CSI压缩重构方法。该方法通过在编码器和解码器中设计对应匹配的多尺度特征融合网络来对CSI信息的压缩重构任务进行联合性能优化。仿真结果表明,该方法具有更好的鲁棒性,在网络参数少量提升的情况下提供了十分可观的性能增益。相比于Csi Net。在不同压缩率下室内场景的NMSE平均降低了约3.66dB,室外场景的NMSE平均降低了约1.71dB。