摘要：信道状态信息对于大规模多输入多输出(Multi-Input Multi-Output,MIMO)系统获得高信道容量和能量效率是十分重要的。频分双工系统因为上下行信道缺少互易性,所以需要用户将下行信道反馈至基站来进行预编码等处理。因为反馈的信息量和天线数成正比,所以大规模MIMO系统的反馈量是十分巨大的。很多数据驱动的深度学习神经网络使用编码器压缩信道信息,使用解码器恢复信道信息,但是由于数据驱动神经网络的黑盒子特性,不仅需要很高的复杂度来恢复信道信息,而且性能难以得到进一步提升,尤其增加用户设备处模型的复杂度和计算资源来提升性能是不切实际的。本文提出了一种展开迭代阈值收缩算法(Iterative Shrinkage-Thresholding Algorithm,ISTA)的可解释的模型驱动网络。针对信道信息不严格满足压缩感知稀疏性要求而导致恢复性能下降的问题,引入残差网络,设计了一种非线性稀疏变换来提升性能;为了平衡性能和复杂度,在用户处提出了一个可学习的压缩矩阵来保留更多信道信息;进一步地,本文在不改变已有网络框架的基础上将适用范围从单天线用户扩大到多天线用户,提高了神经网络的兼容性。仿真结果表明,本文提出的方法相比于其他方法具有更好的信道恢复性能以及在用户处具有更低的复杂度。