高空通信中宽带信号源被认为是第五代移动通信技术中扩大通信覆盖范围的有效解决方案之一。然而,由于高空中气流、压强和风向等作用,高空平台(High Altitude Platform,HAP)通常处于不稳定状态,使得地面上的网关和HAP无法实现精确的波束形成,导致HAP通信系统引起不必要的容量损耗。针对这一问题,本文提出了一种基于DOA估计算法和深度学习的宽带信号源轨迹预测算法,通过DOA估计和深度学习实现下一时刻高空通信中宽带信号源的状态信息进行精准预测研究,论文的主要工作如下:首先,本文介绍了无线通信网络发展历程、高空平台通信系统、宽带信号源到达角参数估计、机器学习算法和深度学习算法的研究现状。针对高空通信中宽带信号源轨迹预测算法的问题,提出了使用高空平台二维到达角的参数估计轨迹数据,对高空平台的下一个轨迹位置进行预测方法。然后,本文详细介绍了深度学习中的LSTM和注意力模型网络的模型结构,提出了一种基于深度学习模型的宽带信号源轨迹预测方法。在该方法中,首先通过面板天线阵列的DOA估计算法,获取宽带信号源的轨迹信息。然后,使用了一系列的数据预处理方法,保证轨迹信息数据有效性和稳定性。最后,使用了LSTM和注意力模型模型搭建了不同通信场景下的仿真预测模型,从而实现了宽带信号源下一时刻的状态信息进行精准预测。最后,本文通过仿真两种不同智慧城市通信场景,展示了两种场景下LSTM和注意力模型预测的仿真结果,通过对比两种不同智慧城市通信场景下不同方法的预测结果从而保证准确率最高的预测模型。结果表明本文提出宽带信号源轨迹预测算法具有较高的准确率,使网关和HAP达到精确的波束成形,减少了不必要的容量损耗,提高了5G高空平台通信系统的可靠性。