近年来，研究人员通过对信道进行研究发现无线多径信道在时域、频域和空域中均存在稀疏特性[8]。通过挖掘信道的稀疏特性，应用压缩感知（CS, compressed sensing）相关理论实现一种有效的信道估计算法已成为当下研究的热点。基于无线信道所具有的时域稀疏特性，文献[9]提出了一种改进的正交匹配追踪（OMP, orthogonal matching pursuit）算法，以降低导频开销，提高信道估计精度。对于FDD模式下的大规模MIMO系统下行信道估计，文献[10]采用压缩感知技术来减少信道估计训练和反馈过程中的资源开销，并利用用户信道矩阵中的联合稀疏性，提出了一种分布式压缩感知信道估计方案，即联合正交匹配追踪（JOMP, joint orthogonal matching pursuit）算法。该算法可以通过用户端获取的压缩信号使基站端完成信道的精确估计。为了摆脱 OMP 算法对信道稀疏度的先验条件的依赖，文献[11]提出了一种应用于具有时间相关性的MIMO-OFDM 系统的改进稀疏自适应匹配追踪（SAMP, sparsity adaptive matching pursuit）算法。在不需要获得信道稀疏度先验知识的情况下，该算法能够完成信道重构过程中对支撑集的自适应选择，从而提高信道估计的性能。文献[12]在SAMP算法的基础上进一步提出了一种基于块稀疏共轭梯度自适应匹配追踪（BSBCG-SAMP, block sparsity based conjugate gradient SAMP）算法。该算法考虑了时延域大规模MIMO信道的时空公共稀疏性，能够自适应地获取信道结构化稀疏矩阵的稀疏度。虽然BSBCG-SAMP精度较高，但是其在迭代过程中受信道噪声的影响较大。在噪声环境中，该算法的估计性能会急速下降。然而，这些算法大多采用结构化稀疏特性对无线信道进行估计，利用迭代优化策略求解欠定最优化问题。这些重构算法的弱点是收敛速度慢。该弱点将 CS 技术限制在非实时场景的应用中，并且这种迭代优化的密集计算已成为CS在无线信道估计应用中的瓶颈。