因为无线频谱资源的短缺,毫米波通信在近年来得到了重视与广泛研究。毫米波通信可以拥有更宽的带宽,同时也可以降低天线的尺寸,具有很好的应用前景。毫米波通信与大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）系统都属于第五代移动通信技术（5th-Generation,5G）的关键技术。信道估计是进行无线通信的第一步。在传统的MIMO系统中,由于天线数目不多,不同天线间的传播延迟远小于毫米波通信中的符号周期。然而在大规模MIMO系统中,由于配备了大规模的天线阵列,导致天线阵列间存在不可忽略的传播延迟。本文针对这一问题,在充分考虑天线间传播延迟的基础上对大规模MIMO信道进行建模,并提出了粗估计-细估计的两阶段信道估计算法。在粗估计阶段,本文把信道建模为字典矩阵和稀疏向量的乘积,在稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）和期望最大化（Expectation Maximization,EM）算法的帮助下对信道参数进行估计。在细估计阶段,本文在粗估计的基础上利用牛顿法和最小二乘（Least Squares,LS）法对参数进行迭代更新。准确的位置信息对于无线网络中的许多应用至关重要,在完成了信道估计后,便可以根据信道参数来对用户端的位置进行估计。在这一部分,本文同样采用粗估计-细估计两阶段的算法来对用户端的位置进行估计。首先利用直射径（Line of Sight,Lo S）的信道参数对其位置做粗估计,并根据几何关系得到其它的位置参数。然后利用位置参数与信道参数之间的映射将位置参数转换为其对应的信道参数,并最小化映射的信道参数与估计的信道参数的残差来得到其细估计。本文还对系统信道参数估计和位置参数估计的性能界限进行了分析。在计算了信道参数的克拉美罗界（Cramér–Rao Bound,CRB）后,巧妙地通过转换矩阵将信道参数的CRB转换为了位置参数的CRB。本文对所提算法进行仿真,并与系统的CRB进行了比较。仿真结果表明,本文所提算法的性能在一定的信噪比（Signal-to-Noise Ratio,SNR）下能够达到理论最优性能,验证了建模及算法的合理性。