MIMO-OFDM系统的接收信号是多个发射天线发送信号的衰落与加性噪声的线性叠加，若采用通常SISO-OFDM系统或MIMO系统的估计算法估计信道，将会带来很大的估计误差。出于设计实现的考虑，本文主要研究理论相对比较成熟的慢变环境下基于训练序列的MIMO-OFDM系统的信道估计算法。本章将主要讨论MIMO-OFDM系统特殊训练序列的设计和信道估计算法的选择。
多天线系统的信道估计算法同单天线系统的相比具有更大的复杂性，因为接收信号是多个发射信号的叠加信号，这些发射信号同时从多个发射天线上发射出来，几乎同步到达任一接收天线。因此要从一个叠加信号中正确的识别出多个发射信号，需要信道估计算法能估计出各发射天线到同一接收天线之间多个并行信道的信道特性。而任一发射天线到任一接收天线之间的信道估计可参考单天线系统的算法。
信道估计算法主要可以分为两种：盲估计算法和非盲估计算法。盲信道估计算法不需要在发送信息中插入训练序列，节约了带宽。盲估计算法的实现需要利用发送信息内包含的统计信息。这通常需要在接收端对接收信号进行复杂的数学运算，算法的运算量一般都很大，不适合应用于对时延要求比较高的实时系统。非盲估计算法是在发送信号中插入收发两端都事先己知的信息，接收端在接收到该已知信息之后，由该信息的幅度、载频或相位变化来估计信道对发送信息所造成的衰落影响。算法应用广泛，几乎可以应用于所有的无线通信系统。
 
输入信号经复用器分解成n个长度相同的数据流，然后进行独立地编码和调制，因此它不是基于发射分集的。这些编码器可以是二进制的卷积编码器，也可以是不经过任何编码直接输出。下面就来重点介绍一下这个系统的MATLAB的实现方法。
for k=1:N
       Tc=c(k)*cos(2*pi*fd(k)*t+theta(k))+Tc; 
       Ts=c(k)*sin(2*pi*fd(k)*t+theta(k))+Ts;  
    end
    r=ones(mt*mr,1)*(Tc.^2+Ts.^2).^0.5;
这段代码主要用来产生所需要的信号，分别有SIN,COS两个分量。
        for tx=1:mt
            data_b=0*round(rand(4,nse));
data_qam(tx,:)=j*(2*(mod(data_b(1,:)+data_b(2,:),2)
+2*data_b(1,:))-3)+2*(mod(data_b(3,:)+data_b(4,:),2)+2*data_b(3,:))-3;
            for loop=1:mt
                data_qam(tx,pilot+loop-1)=(1+j)*(loop==tx);            
            end
            data_time_temp=ifft(data_qam(tx,:));
            data_time(tx,:)=[data_time_temp(end-ng+1:end) data_time_temp];
        end
这段代码主要用来模拟MIMO-OFDM系统的发送部分，首先模拟实际情况生成一个随机信号，然后将随机信号通过QAM调制再经过IFFT变化得到我们所要的信号。这个过程就是上述系统结果的描述。
 for rx=1:mr
            for tx=1:mt
                output_temp=conv(data_time(tx,:),h((rx-1)*mt+tx,:));
                output(rx,:)=output_temp(ng+1:ng+nse)+output(rx,:);
            end
            np=(sum(abs(output(rx,:)).^2)/length(output(rx,:)))*sigma2;
noise=(randn(size(output(rx,:)))+i*randn(size(output(rx,:))))*sqrt(np);
            output(rx,:)=output(rx,:)+noise;
            data_out(rx,:)=fft(output(rx,:));
        end
这段代码主要用来模拟MIMO-OFDM系统的接收部分。由于系统工作的时候，肯定会有噪声的影响，所以只有通过模拟一个系统的噪声才能正确的模拟系统的工作性。这里，我们通过产生一个随机数和原始的信号进行叠加来模拟我们所接收到的信号。
以上，我们模拟MIMO-OFDM系统的发送和接收模块，下面就来建立一个系统的信道估计模块：具体代码如下所示：
        for tx=1:mt
            for rx=1:mr
                H_est_temp=data_out(rx,pilot+tx-1)./data_qam(tx,pilot+tx-1);
                h_time=ifft(H_est_temp);
                h_time=[h_time zeros(1,nse-length(h_time))];              
                H_est1((rx-1)*mt+tx,:)=fft(h_time);
                if (tx>1)
                    H_est1((rx-1)*mt+tx,:)=[H_est1((rx-1)*mt+tx,nse-tx+2:nse) H_est1((rx-1)*mt+tx,1:nse-tx+1)];   
                End
                H_act((rx-1)*mt+tx,:)=fft([h((rx-1)*mt+tx,:) zeros(1,nse-CL)]);
                error1=(abs(H_act((rx-1)*mt+tx,:)-H_est1((rx-1)*mt+tx,:)).^2);
estimation_error1((rx-1)*mt+tx,:)=estimation_error1((rx-1)*mt+tx,:)+error1;                            
            end
        end 
通过这个方法，我们就可以做系统的信道估计了，此外还能计算系统的平均误差检测，从而验证系统的正确性。