信道状态信息(CSI)作为大规模MIMO 发挥高性能的关键所在，由于其高维的信道信息和能够分配给用于 CSI获取的资源十分有限，使得 CSI 的获取变得尤为困难，特别是在上下行传输信道不存在互益性的频分双工(FDD)制式下，情况变得更加糟糕。大部分针对 FDD 大规模 MIMO 的研究都集中在两个基本问题 ： 基于导频的信道估计需要长时间的训练和准确的 CSI反馈需要的巨大开销。下面 ， 从三个类别来介绍当前解决这些问题所用的主流方法 ： 闭环训练的方法、基于空间相关性的方法、压缩传感技术方法。
(1)闭环训练的方法
传统对基于导频训练的信道估计方法的研究大部分集中在开环全方向的训练。然而，开环的训练方法在每一个衰落块的信道估计仅仅考虑了在本块发送的导频信号，由于缺乏衰落块信道信息之间的依靠关系，而丢掉了之前导频信号所含的本衰落块的信道信息。同时，开环的全向训练，当训练时长一定，而基站天线数趋于无穷时，根据估计所得的信道信息通过预编码进行传输数据，在接收端接收到的信噪比和系统可达速率均将趋于一个常数。这就表明当基站天线数不断增加时，其所带来的增益将达到饱和。此时可以通过与基站天线成线性增加的训练时长来获得接收信噪比的持续增加，但这势必会带来一个衰落块当中能够用传输数据的时长将严重减少，甚至是没有可用的时间来进行数据传输。
(2)基于空间相关性的方法
在 FDD 大规模 MIMO 中，利用空间相关性是根据用户间的空间相关性将用户进行分组，然后进行名为预波束赋形和波束赋形的2 步预编码下行训练，利用空间相关性来抵消组间干扰而瞬时的信道估计去管理组内用户的干扰。以达到降低估计信道维度的目的。但根据用户相关性进行分组条件要求苛刻(要求组内用户聚集在同一实际环境)，实际难以达到，这就导致该策略难以实现。
不同于将用户进行分组，可以根据相关性将基站天线进行分组(实际中基站天线由于布局物理空间受限导致天线间具有较强的相关性)，只选择部分天线进行信道估计再由一定的插值算法补全其他未参与信道估计天线所对应的信道信息。尽管只选择一部分天线来做信道估计，但是对于上百根天线的大规模MIMO 中，选中天线个数与结构仍需进一步的研究讨论。
还有另一种基于天线分组的CSI 反馈策略，在假设接收端已经获得了 CSI 估计值的前提下，将 CSI 中的元素根据预先设定好的多种天线特征分组，采用一种降维算法(如平均)进行降维，即将多个元素合并为一个元素，然后通过相应的恢复算法还原到真实维度，计算出转换误差，选择其中误差最小的一种特征分组进行降维，再对降维后的信息进行矢量量化，将码本指示和特征分组指示反馈给基站。其最重要思想在于降低信息维度，以达到降低所需码本的尺寸和码本搜索的计算量。
(3)压缩传感技术
传统的奈奎斯特采样定理指出采样速率必须达到信号带宽的两倍以上才能精确重构信号。而压缩感知理论突破了奈奎斯特采样定理的限制，抛弃了高速采样再压缩的方法，利用信号空间的性质，建立新的信号描述和处理方法，使得在保证信息不损失的情况下，用远低于奈奎斯特采样定理要求的速率采样信号，同时又完全恢复出原始信号。压缩感知可以分成3个步骤：
a信号的稀疏表示
除了上述主流的解决方案以外，还有一些其他的解决思路，以上只提供了一些基本的概述以供参考。
