随着高铁网络的快速发展、无人驾驶技术的逐渐成熟,人们将会在高移动的车载空间内度过更多的时间。乘客们在旅途中的宽带数据业务需求也日益增长。而移动速度的提升除了会造成通信信道更严重的多普勒效应,也会带来移动信道其他方面特性的质变,如非平稳性、快时变性。传统的移动信道模型难以准确的应用于高移动场景,导致目前的通信系统性能难以满足高可靠宽带传输的需求。因此我们需要重新审视高移动性对无线信道产生的影响,建立更准确的高移动信道模型。另外,为了应对高移动性带来的信道快时变,我们需要设计自适应的传输系统。均衡器能够对抗多径信道造成的码间干扰以及纠正非线性系统造成的信号畸变。自适应均衡器通过训练数据估计信道响应并跟踪时变信道。在高移动场景下,我们需要跟踪能力更强的自适应均衡器。本文围绕高移动信道建模以及自适应均衡器设计展开探索性的研究,取得了一定的成果。首先,我们提出了高移动通信下具有时变散射特性的衰落信道模型。传统的移动信道都是在WSSUS假设下建立,然而在高移动环境下,非相关散射和平稳性的假设都受到了破坏。我们针对高移动场景,提出了时变的本地散射模型。并以此为基础,建立高移动信道的空时相关性模型,分析了该模型信道的多普勒扩展和多径衰落特性。在我们的模型下,信道的空时相关性出现了额外的衰减因子。我们通过理论分析和仿真实验揭示了高移动信道空时相关性的特点,指出在高移动场景下通信系统性能下降的部分原因。然后研究了高移动车厢内通信的典型场景——高铁通信,并进行信道建模。我们将车内用户与基站直接通信的单跳架构抽象为移动多窗模型。这是一种“室内-室外”混合的信道模型。我们采用结合GO和UTD的射线追踪技术,提出了高移动多窗信道的确定性模型。跟踪从发射端到接收端的每一条直射、反射、透射和绕射路径,从而预测信道冲激响应。并分析得到多个信道特征参数,如功率延时分布、多普勒功率谱、路径损耗、时延扩展等。仿真结果显示,即使车厢外部是没有散射体的理想环境,信号通过多窗进入车内的信道也是时间上弥散的多径信道,带来较强的ISI干扰。同时,高速移动和多窗环境使得信道发生严重的快衰落。导致已有的系统非常难以跟踪信道状态。最后,我们设计了基于循环神经网络的自适应均衡器。长短期记忆循环神经网络(L S T M)在处理具有时间相关性数据的非线性问题上,具有良好的性能。我们利用LSTM网络设计了三种自适应均衡器,分别为单层LSTM,双层LSTM和LSTM autoencoder自适应均衡器。通过仿真模拟,验证了三种LSTM均衡器在多个线性和非线性信道下的性能。对比传统的自适应判决反馈均衡器,LSTM均衡器在高阶调制和非线性信道下有明显的性能提升。同时,仿真结果表明LSTM均衡器在时变信道下有很强的自适应跟踪能力。