近些年来,大规模MIMO技术作为为5G各种应用场景提供服务的一项关键技术已经成为业界重点关注的对象。而信道估计的准确性和复杂程度是决定大规模MIM0技术能否充分发挥潜能的关键。随着天线和用户数量的增加,待估计的信道矩阵维度均不断增加,而信道估计的复杂度随信道矩阵的维度立方次增长,信道估计面临严峻的挑战。因此,本文针对大规模MIM0多用户系统下的上行信道估计问题开展研究,提出低复杂度信道估计方法。主要工作包括以下两点:(1)利用多用户信道在角度域和时延域上的联合稀疏特征,提出了一种基于用户分组的结构化联合信道估计(UG-SJSCE)算法。它采用了一种基于用户角度域支撑集聚类的分组方法,目的是实现用户角度域支撑集的精确定位,通过只恢复角度域支撑集上的列矢量来定位用户时延域支撑集(用户稀疏有效路径),实现待估计信道的降维从而降低计算复杂度。利用MATLAB仿真工具,从不同角度验证了 UG-SJSCE算法的有效性以及相对传统压缩感知算法的性能优越性。(2)针对UG-SJSCE算法存在的无法预知用户信道稀疏度以及估计性能对用户分组的准确性比较敏感的问题,提出了一种基于变分贝叶斯框架的联合用户分组与信道估计(UG-VBL)算法。该算法将信道估计问题归纳为统计推断问题,信道冲激矢量和分组矢量等都被看作待估计的隐变量,利用变分方法迭代最优化隐变量的近似后验概率分布,迭代收敛后利用信道冲激矢量均值完成信道矩阵估计。并且针对算法迭代步骤中存在高复杂度的矩阵求逆运算,采用一种基于酉变换的近似消息传递(UTAMP)算法回避矩阵求逆运算,从而简化计算。同样利用MATLAB仿真工具,通过绘制仿真曲线以及对比算法的运行时间,验证UG-VBL算法能实现更低的估计误差与更低的计算复杂度。