Massive MIMO-OFDM系统是大规模多输入多输出(massive MIMO,Massive Multiple-Input Multiple-Output)系统与正交频分复用(OFDM,Orthogonal Frequency Division Multiplexing)调制技术的结合。Massive MIMO技术通过大幅增加收发端的天线数目,可以极大地提高系统的吞吐量。而与OFDM技术的结合,则可提高massive MIMO系统抗多径干扰的能力,并简化接收机设计。因其高速率、低时延、高可靠性等显著优势,massive MIMO-OFDM技术已成为下一代无线通信系统的关键技术之一。在实际的无线通信场景中,发送端,接收端,反射体任意一端的移动,都会导致多普勒效应,使得传输的电磁波频率发生偏移,为信道引入时变特性。在基于OFDM调制的系统中,多普勒效应会破坏子载波间的正交性,导致载波间干扰(ICI,Inter-Carrier Interference),在接收端造成误码。在massive MIMO-OFDM系统中,天线阵列规模庞大,且各天线的工作频段相同,由多普勒效应引起的ICI会加剧。为了消除由多普勒效应引入的ICI,接收端需通过均衡抵消信道的作用。因此,在时变场景下,如何高效稳定地获取信道状态信息(CSI,Channel State Information),具有深刻的理论研究意义与实际应用价值。本文对时变场景下massive MIMO-OFDM系统的信道估计展开研究。本工作在OFDM数据符号的层面,给出了massive MIMO-OFDM系统在时变信道下的完整模型,并据此构建了信道估计的问题模型。基于时变MIMO信道在时延-多普勒-角三维域上的联合块稀疏性,我们将该信道估计问题归结为块稀疏信号压缩感知的问题。针对该问题,我们提出了一种全新的压缩感知算法——方差状态传播(VSP,Variance State Propagation)。VSP是一种基于贝叶斯学习的压缩感知算法,其引入的结合马尔科夫随机场(MRF,Markov Random Field)的分层高斯概率模型可以准确地刻画待估信号中的块稀疏性。VSP中还使用了消息传递的技术使得算法更加高效。针对离散化信道模型可能导致的模型不匹配问题,我们通过期望最大化(EM,Expectation Maximization)算法对离散化网格参数进行学习,修正压缩感知问题中的测量矩阵,大幅提高了VSP在信道存在模型偏差场景下的性能。VSP算法可有效降低估计时变massive MIMO-OFDM信道时所需的导频负载,并提供了出色的估计精度。仿真结果显示,在不同的导频符号数目和噪声水平下,VSP对信道的估计性能都超出了其他的比较算法。