在复杂的MIMO-OFDM系统中,系统很多性能是由信道状态决定的。传统反馈自适应问题通过反馈信道矩阵与信噪比信息建立查找表来切换MCS,然后通过MCS转换将信道状态影响映射到系统性能变化上。这类要建立起信道状态到系统性能的映射是复杂非线性的。至今,没有一种明确的理论或方法来证明这类映射可能存在的规律。然而,学习算法对于处理非线性映射具有较好的效果,通过对输入输出间模型的建立,学习算法能在模型内部体现出这类映射关系。因此越来越多的学者开始探索用学习的方案来处理自适应问题。这是在没有明确理论来建模这类复杂非线性映射时的一种可行替代。监督学习是机器学习算法中的一大类,在解决分类问题上能达到很好的效果。自适应调制编码对于调制编码策略的选择可以看作明显的分类问题。因此,本文首先设计了基于监督学习方案的自适应调制编码算法,然后在本文提出的自适应调制编码方案基础上进一步进行功率分配的优化,提升系统整体的数据传输速率性能。本论文首先提出基于监督学习的无反馈自适应调制编码算法。其中,本文采用了K最邻近算法和神经网络两类典型的学习算法。为将自适应调制编码问题归纳为分类问题,本文提出一种基于信道条件和传输功率约束下的信道特征提取方案,该特征提取方案是全文分析和验证的基础。然后用该特征提取方案对于不同调制编码方案进行验证,检验该特征提取方案能否准确划分不同调制编码方案。接下来,为避免维度灾难并准确的表示空间流数目不同的情况,对于提出的特征提取方案给出了两类降维方案,并对两类降维方案进行可行性分析。然后,在运用提取特征和降维方法的基础上,将K最邻近算法和神经网络算法加入到自适应调制编码方案中,提出KNN-AMC算法和ANN-AMC算法。最终将KNN-AMC算法和ANN-AMC算法运用到仿真中,通过对系统的误比特性能分析和数据传输速率分析,验证了KNN-AMC算法和ANN-AMC算法的可行性。在LTE TDD中,通过利用上下行信道的互易性获得信道信息,应用于本文算法模型中能够节省反馈开销,降低系统工作时延,可以让系统更快地适应通信环境的变化。本文着重解决的第二个问题是基于KNN-AMC算法下的功率分配问题。首先本文采用传统的注水算法对功率进行分配。考虑到注水算法是一种调节比特加载过程以达到最优的方法,而本文自适应调制编码选择对所有流进行了相同的调制。因此本文提出在注水算法上进行一定改进,提出基于奇异值比值和离散优化功率分配算法。其主要思想是首先收集剩余功率,然后将剩余功率按照调制等级由高至低进行分配。最后,通过仿真将离散优化分配算法与注水算法进行对比,可以看出优化分配算法通过对注水算法的离散优化得到更好的系统传输速率性能。