随着无线通信技术的不断发展与物联网(Internet-of-Things,Io T)需求的不断提升,未来Io T的一个主要特征是网络中含有大量的用户设备,并需要利用低延迟的海量物联网设备进行数据传输,这给信号处理领域带来了许多新的研究挑战。针对物联网的出现,在第五代移动通信系统(5th Generation,5G)的未来规划中已经确定了海量机器类通信(massive Machine-Type Communication,m MTC)作为其中一个主要运用场景。在m MTC典型应用场景中,任何给定时刻,只有少量(未知)用户设备子集处于活跃状态。因此,提供大规模物联网连接面临的主要问题是需要检测有源用户设备,并对其进行信道估计。针对此问题,本文利用m MTC场景中用户活跃模式的稀疏特性,并使用压缩感知相关理论研究如何在免授权随机接入场景中,进行用户活跃检测与信道估计。首先,本文对基于多测量矢量的近似消息传递(Approximate Message Passing Multiple Measurement Vector,AMP-MMV)算法进行性能优化,提出基于概率更新AMP(Probability Updating AMP,PUAMP)算法的用户活跃检测与信道估计方案。本文提出的PUAMP算法在AMP-MMV算法的基础上,每一次迭代终止后,先更新小区内每一个用户的活跃概率,再代入下一次迭代中执行运算,该算法能够对于小区中每一个用户的活跃概率做出更精准的估计同时提升信道估计的准确性。之后,在PUAMP算法的基础上,本文设计了基于部分概率更新AMP(Partial-PUAMP,P-PUAMP)算法的用户活跃检测与信道估计方案。P-PUAMP算法充分利用了小区基站每根天线所接收到的信号稀疏模式相同的特性,通过对小区中的用户进行贝叶斯检测估计其活跃概率,进一步逼近小区内每一个用户真实活跃概率。从仿真结果可以看出,相比于基于AMP-MMV算法的用户活跃检测与信道估计方案,无论是基于PUAMP算法,还是基于P-PUAMP算法的用户活跃检测与信道估计方案,都提升了用户活跃检测与信道估计的质量。最后,针对基于AMP-MMV算法的信道估计方案,在低信噪比(Signal to Noise Ratio,SNR)参数条件下收敛性较差的问题,本文对AMP-MMV算法中引入深度学习(Deep Learning,DL)的可学习的AMP-MMV(Learned AMP-MMV,LAMP-MMV)算法构建网络结构,进行参数优化,对LAMP-MMV算法设置不同的训练参数集进行参数学习,提升LAMP-MMV算法的鲁棒性。从仿真结果可以看出,基于LAMP-MMV算法的信道估计方案相比于基于AMP-MMV算法的信道估计方案,在免授权随机接入场景中具有更好的适用性与算法收敛性能。