毫米波通信技术缓解了现有通信带宽的压力,而大规模MIMO与波束成形技术可补偿毫米波的高路损,有效提高通信的频谱效率,因此毫米波与大规模MIMO的结合成为5G关键技术。然而在高动态场景下,终端的快速运动导致信道变化加快,为了保证通信双方链路质量,需要频繁进行波束切换。如何降低切换开销、实现快速波束切换成为了亟待解决的问题。与此同时,超密集网络的应用提升了系统容量,但是小区半径的缩小又进一步增加了波束切换的频率和训练开销。为了应对上述挑战,本文重点研究了高动态场景下,特别是适用于超密集网络架构的快速、高效波束切换技术。首先,为了实现高动态场景下快速有效的波束切换,本文定义了一个新的衡量信道时变特性的参数,即波束相干时间,用于衡量波束指向发生偏移时,到达角的变化对接收信号质量的影响。通过分析波束相干时间与终端移动速度、移动方向以及波束宽度等因素的定量关系,进而推导出其闭合表达式。仿真结果表明,基站以波束相干时间作为波束切换周期减少了不必要的波束训练开销,能显著提升系统有效频谱效率。其次,为了解决超密集网络中终端运动导致的高波束训练开销的问题,本文提出了一种多站点协同波束跟踪方案,利用不同站点间信道状态信息（Channel State Information,CSI）的空间相关性来降低波束训练和切换的信令开销。研究场景为包括一个控制基站（Control-BS,CBS）和多个业务基站（Traffic-BS,TBS）的超蜂窝网络（Hyper Cellular Network,HCN）。所提方案分为两个阶段工作。在位置预测阶段,CBS利用扩展卡尔曼滤波（Extended Kalman Filter,EKF）预测终端在下一时刻的位置。在站点协作阶段,CBS利用多个站点与终端位置的几何关系,远程推断每个TBS与终端之间的候选波束,并在必要时做出TBS切换决策。由于CBS负责所有TBS和终端之间的波束跟踪,因此波束训练和切换的开销都得到了有效的降低。基于真实3D场景的仿真结果表明,该方案以较小的波束扫描和切换信令开销,达到了性能上界的99%。最后,为了改善直射径被遮挡的场景下多站点协作波束切换性能,本文进一步提出了一种基于长短期记忆网络（Long Short-Term Memory,LSTM）的多站点协作波束切换算法。所提算法使用神经网络中基于序列到序列（Sequence to Sequence,Seq2Seq）模型的双层LSTM网络架构,其中包括编码器与译码器两部分,并且引入注意力机制实现模型中有效的信息提取。在网络的训练阶段,CBS根据前一段时间基站与终端的信号功率、波束序号等信息作为特征训练LSTM网络;在波束预测阶段,CBS利用LSTM的时间记忆特性预测未来一段时间的最佳基站及其最佳波束方向。最后,仿真验证了本章所提算法可以实现准确的波束预测。