无线宽带到户（Wireless To The x,WTTx）作为一种高速率、多链接、广覆盖的无线接入技术,在5G商用的今天再次获得飞速发展。物理层信道估计的性能优劣将直接决定WTTx系统的有效性和可靠性,但大多数WTTx的系统吞吐量、误码性能的提升受到实际场景的严重制约,因此合适的物理层设计和信道估计方法是保证WTTx灵活部署的必要条件。同时,隐私保护是以用户为中心的5G技术发展的核心要求之一,但现如今关于WTTx的研究不仅业务场景十分单一,而且鲜有文献考虑到WTTx中的无线资源管理问题。而无线资源分配需要频繁的数据交换,很可能影响用户的隐私安全并导致敏感信息泄露。联邦学习能够在保护用户隐私的前提下实现多用户数据共享,因此基于联邦学习的资源管理研究可以在避免隐私泄漏、合理分配资源的同时探究数据共享问题,实现WTTx的系统能效最大化。本文针对以上两方面的问题提出了以下解决方案:第一,首先本文设计了新的WTTx时域帧结构,作为物理层新特性设计和信道估计算法研究的基础。其次,本文提出了WTTx场景下的信道估计物理层新特性和干扰消除算法,包括:1)引入附加导频;2)解调参考信号（Demodulation Reference Signal,DMRS）的时隙间共享;3)非正交端口干扰估计接收机的设计。其中,附加导频的引入提升了对抗信道衰落的能力,有利于获得更精确的信道响应;通过时隙间的信道估计值传递,DMRS的时隙间共享可以节省导频开销,使得物理下行共享信道（Physical Downlink Shared Channel,PDSCH）拥有更多的传输资源;非正交端口干扰估计接收机考虑了准正交DMRS端口之间的干扰问题,并基于干扰消除的方式对原始信号加以恢复。经仿真验证,引入附加导频大大降低了信道估计时产生的系统误块率,DMRS共享则显著提升了系统吞吐量,而非正交端口干扰估计接收机提升了信道估计精确度,降低了系统的差错概率。第二,考虑到WTTx场景中数据共享时面临的隐私泄漏问题,本文提出了基于WTTx的联邦学习框架,深入探究了联邦学习中的资源管理问题。本文提出了一种基于数据重要性选择的数据集划分算法,通过每次选择重要性高的数据而非全部数据进行终端的本地计算,一方面可以显著降低计算能耗和时延,另一方面大大降低了隐私泄漏的风险。第三,本文将基于数据重要性选择的资源管理问题的优化目标设置为学习效率和系统总能耗,通过对这两部分的优化以获得最优的数据集大小和带宽资源分配比例,同时借助基于精英策略的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ）对多目标优化问题进行求解。仿真结果证明,本文算法显著提高了模型收敛速率,并大大降低了能耗。