水声信道估计的精度在很大程度上决定了水声通信性能,在物理层水声信道对于有效通信构成重大挑战。这是因为水声信道具有过长的路径延迟、以及严重的多普勒效应。在单载波传输中,过长的路径延迟将直接导致严重的符号间干扰;对于多载波如正交频分复用系统,多普勒会破坏子载波间的正交性进而导致载波间干扰。充分利用水声信道自有的稀疏特性,可以帮助我们有效的估计上述信道参量,进而提高通信质量。信道稀疏特性即绝大部分信道能量集中在很少的路径延迟和多普勒值上。近年来利用水声信道自有的稀疏特性,广泛采用的水声信道估计技术主要有两类:一是利用阵列信号处理中的子空间方法;二是根据压缩感知的方法,该方法已成为主流稀疏水声信道估计的方法。上述这两类方法均比传统最小二乘信道估计方法更为优秀。现有的研究表明,当前水声信道估计存在的主要问题是,上述主流水声信道估计方法均假设实验中的多普勒和真实环境中的多普勒一致,或将通过实验数据估计得到的多普勒值认定是实际环境中的真实值加以处理。但是,考虑到现实中的水下通信环境多变,水流内部波动不断且环境噪声干扰较强,实验中的多普勒与真实环境中的多普勒存在较大误差,这会大幅影响水声信道的估计精度,导致水声通信性能受限。目前能够宽容多普勒误差的水声信道估计十分有限,这也是本文研究的主要原因。本文通过利用统计学习领域的高维稀疏回归模型,解决上述多普勒严重且估计不准的信道估计问题。首先,通过对主流压缩感知方法水声信道估计的范数优化问题做出公式变换,得到等价的高维稀疏回归优化问题模型。经证明,基于高维稀疏回归模型的信道估计量将会收敛到真解附近的邻域内。该理论保证了在多普勒不准情况下,使用高维稀疏回归模型可以较为精确的进行信道估计,从而提升水声通信性能。其次,本文给出一个基于高维稀疏回归模型的投影梯度递减算法并产生一系列的迭代点,通过理论证明得出该迭代点序列最终收敛到高维稀疏回归模型信道估计量的邻域内。最后,通过大量仿真实验比较投影梯度递减算法与传统的正交匹配追踪、基追踪和可分逼近稀疏重构算法,仿真结果表明,本文提出的基于高维稀疏回归模型的投影梯度递减算法性能优于传统方法。