5G通信系统服务的设备种类繁多,且数量巨大。除了传统的4G用户,5G技术还为工业互联网、车联网等平台提供高质量的通信服务。获取准确的信道状态信息（Channel State Information,CSI）是5G通信系统提供高可靠,低延时的通信服务的前提。特别是在移动场景下,信道的相干时间较短,通过传统信道估计方法获得的信道状态信息很容易过时。因此,设计一种高效,准确的信道估计方法对5G通信系统至关重要。针对这一问题,本文提出了一种基于智能信息融合的信道感知技术。该技术将数据驱动的基于神经网络的信道预测方法与模型驱动的基于卡尔曼滤波的信道预测方法巧妙地结合,实现了一种预测准确率高,鲁棒性强的智能信道预测技术。该方法在信道预测准确度上对比现有算法有明显的提升,预测后的信道用于通信传输的误码率性能对比现有的卡尔曼滤波预测算法和基于神经网络的信道预测算法分别于有7dB和12dB的提升。本文的主要贡献如下:·提出了一种将卡尔曼滤波与深度神经网络结合的智能信道感知技术。该技术以深度神经网络作为特征提取器,提取接收端的历史信道状态信息的特征,再结合卡尔曼滤波器融合历史信道特征与当前不准确的信道预估计值,完成对当前时刻信道参数的估计。解决了现有基于模型的信道预测算法预测准确度低和基于神经网络的信道预测算法训练困难,鲁棒性差的问题。·结合数学分析与仿真实验说明了本文提出的基于智能信息融合的信道预测技术优于现有信道预测技术的原因。详细推导了本文提出的算法是如何解决基于神经网络的信道预测算法鲁棒性差和传统卡尔曼滤波预测效果差的问题。为后续利用本文提出的信道预测算法提升预测性能,减少通信中所用导频数量,提高传输效率提供理论支撑。·用射线追踪模型搭建了一个室内电磁波传输系统。该系统能仿真出室内通信环境下。同时还完成了一套26GHz的毫米波信道实测系统,并在校园环境中采集了毫米波视距传播（Line of Sight,LOS）和非视距传播（Non-Line of Sight,NLOS）场景下的实测数据集。在仿真和实测数据集上验证了所提出的基于智能信息融合的信道感知技术的有效性。