现今随着电子电气技术、信息技术和先进制造技术的迅猛发展,传统制造业的生产模式正在向智能化转变。智能制造模式对通信系统能量效率、频谱效率以及服务质量都提出了更高的要求。近年来,无小区大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）作为分布式大规模MIMO概念的化身自提出后,由于其高能量效率、灵活且低成本的部署和统一的服务质量受到广泛关注。无小区大规模MIMO能够为智能制造提高能量效率和高频谱效率,并且能够提升系统干扰抑制能力和服务质量。然而,为了获得精确的信道状态信息,无小区大规模MIMO技术仍面临着诸多实际的挑战。本文基于聚类对无小区大规模MIMO系统的信道估计和导频分配算法进行研究。本文针对上行无小区大规模MIMO系统,提出了一种低复杂度的增强K均值聚类（Enhanced K-Means Clustering,E-KMC）算法进行半盲信道估计。E-KMC算法适用于对应大范围传感器个数、调制阶数和样本数量的高计算效率和高频谱效率系统。与K均值聚类（K-Means Clustering,KMC）算法相比,本文所提算法的类别和复杂度显著降低,同时实现了增强的误码率性能,因为即使仅使用中等调制阶数和中等数量的传感器,KMC算法收敛速度依旧非常慢。此外,E-KMC算法相对于空间调制（Spacial Modulation,SM）下的KMC算法具有显著的频谱效率增加。为了辅助基于E-KMC的信道估计方案,本文设计了一个近似最优的短导频。本半盲接收机的误码率性能非常接近理想信道状态信息的情况,并且信道估计的均方误差非常接近本文推导的理论下限。本文推导出了精确的信干噪比和误码率的闭式表达式,并通过仿真验证了推导的误码率表达式的有效性。本文所提出的基于E-KMC的信道估计方案也显著地优于基于二阶和高阶统计量及机器学习的其他类型的半盲信道估计方法,且计算效率更加优异。针对无小区大规模MIMO系统的导频污染问题,本文提出了一种联合聚类与禁忌搜索算法进行导频分配。首先利用聚类算法分组后针对部分传感器进行导频分配,之后利用禁忌搜索算法对剩余传感器完成最终导频分配方案搜索。采用聚类为部分传感器分配导频能够为后续禁忌搜索有效缩小搜索空间,从而降低导频分配算法复杂度。仿真结果表明,本文提出的联合聚类与禁忌搜索算法在保持与禁忌搜索算法相近的导频污染抑制能力的同时,实现了显著的复杂性降低。此外相对于随机分配和贪婪搜索等经典方法在导频污染抑制性能方面存在明显优势。