随着无线通信的发展,市场对于通信质量的要求也越来越高,更快的传输速率、更大的容量、更有效的频谱利用率成为了无数学者致力研究的方向与目标。正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术作为一种多载波技术应时而生,它最大的特点是可以克服多径效应带来的频率选择性衰落问题,依靠频分复用将高速串行数据流转换为低速并行数据流,这大大提高了频谱利用率。多输入多输入(Multi-Input-Multi-Output,MIMO)技术是一种多天线技术,可以进一步提高通信系统性能。在传统MIMO的基础上,在基站侧配置更大规模的天线数量演化成了现在流行的大规模MIMO技术。由于大规模MIMO在频率选择性衰落信道下性能较差,而OFDM技术正好可以克服频率选择性衰落,因此将两种技术结合起来可以最大限度的发挥两种技术的优势,然而其要想获得最优的性能,需要有效地获取信道状态信息。同时,大规模MIMO-OFDM技术还继承了OFDM对载波频率偏移(Carrier Frequency Offset,CFO)敏感的缺点,这无疑又对系统性能造成了严重的影响。因此有效的频偏和信道估计是提高大规模MIMO-OFDM系统性能的关键所在。传统的频偏和信道估计大部分是放在时不变场景下进行分析,然而这并不适用于时变信道场景,时变信道中面临着待估计参数太多的问题,而基扩展模型(Basis Expansion Model,BEM)可以解决这个问题,简化待估计量,成为时变信道场景下进行参数估计的首要选择。特别是随着高铁的发展,快时变信道下的信道和频偏估计更是成为关键。CFO往往会与非理想的信道互相影响,因此将二者结合起来进行联合估计可以使系统性能进一步提升。本文的核心工作是分别研究时不变信道与时变信道下的频偏和信道联合估计算法。对于时不变信道场景,所提出的算法基于最大似然估计(Maximum Likelihood Estimation,ML)算法,使用ZC(Zadoff Chu)序列作为训练序列来减少计算复杂度,另一方面,由于ZC序列具有幅值恒定的特性,因此还具有较低的峰均比(Peak-to-Average Power Ratio,PARR)。对于时变信道场景,为了减少时变信道中增多的估计参数数量,使用基扩展模型对时变信道进行建模,基于最大后验(Maximum A Posteriori,MAP)估计算法对时变信道下的频偏和信道进行联合估计。仿真结果表明,两种场景下的频偏和信道估计都具有较好的性能。