随着第五代无线通信系统(5G)的发展,高数据速率应用的需求爆炸式增长。信道数据在时域、频域、空域、场景等多个维度上扩张,呈现出海量(Volume)、类型多样(Variety)、数据价值密度低(Value)、快速的数据流转(Velocity)的大数据4V属性。数据的激增和对快速高效数据交换的需求给无线通信系统的频谱利用率及容量提出了更高的要求。要提高频谱利用率、实现超大容量传输,其前提是准确掌握无线信道特性信息并建立精准的信道模型。然而,虽然无线信道实测数据具有明显的大数据属性,但5G信道建模研究的现状仍然是延续了传统信道建模的方法和理论,依旧按照场景、频点的分类方式对信道进行建模分类。但是随着测量数据的越来越多,不同场景间的差异性逐渐减小,测量频点间的连续性也逐渐增强。因此,寻找一种有效的方法,从大量的数据中去寻找数据的共性,从而达到建模的目的成为关键所在。随着人工智能的发展,机器学习和无线通信的结合也吸引了众多学者的关注。众多研究结果表明神经网络具有极强的学习能力,能在复杂情况下逼近非线性系统。利用神经网络对信道参数进行估计预测并对信道建模,可以针对数据来源的复杂性、高维性及稀疏性等特点,高可靠、高效率地处理无线信道测量数据,为无线通信环境重构及模型构建,提供有效的理论和技术支撑。本文研究了反馈神经网络(BPNN)在无线时变信道多普勒功率谱仿真和MIMO信道参数提取中的应用。在无线时变信道中,利用传统的正弦波叠加法和成型滤波法产生大量的多普勒功率谱训练样本数据,通过训练BPNN实现对时变信道进行预测,将仿真结果进行了对比分析。结果表明,BPNN的仿真效果相较于传统方法更接近理论值,误差更小。同时模型输出结果的频域呈U型谱,时域自相关函数满足第一类贝塞尔函数的特征,很好地符合Jakes模型的时频域条件。对三种方法的时间复杂度进行比较,结果表明BPNN的时间复杂度最高,牺牲了时间复杂度来换取高精度和低误差。针对MIMO信道,利用Qua Dri Ga仿真平台生成市区场景下的信道冲激响应(CIR),并利用SAGE算法对水平维度的方位角及垂直维度的俯仰角、时延拓展等信道参数进行提取。然后利用样本数据训练BPNN对信道参数进行提取,并与SAGE算法的效果进行比较。结果表明,BPNN的预测效果与SAGE算法间的差异很小,从而BPNN模型可以代替SAGE算法提取信道参数用于MIMO信道仿真。对时间复杂度进行比较,结果表明BPNN的时间复杂度大于SAGE算法。此外,还对三种常见的神经网络训练算法的预测效果进行对比,结果表明,列文伯格-马夸尔特算法训练BPNN的均方误差最低,效果最佳。