多输入多输出（Multiple-input-multiple-output，MIMO）可见光通信（Visible Light Communications，VLC）系统接收端需精确的信道状态信息用以解调信号，而常用的最小二乘算法对噪声敏感，估计误差较大，难以保证可靠性。基于信道稀疏特性，利用压缩感知方法进行MIMO-VLC信道估计，提出一种基于离散傅里叶变换（Discrete Fourier Transform，DFT）的稀疏度预测自适应匹配追踪（DFT Based Prediction-sparsity Adaptive Matching Pursuit，DFT-SAMP）算法。首先，通过DFT的稀疏度预测方法对信道冲激响应的稀疏度进行预估计，将估计的稀疏度作为算法初始步长，以快速逼近真实稀疏度，提高算法效率；其次，采用SAMP算法重构信道冲激响应，提高信道估计准确性，保证通信可靠性。基于2×2的MIMO-VLC系统信道估计实验结果表明，导频数为32时，本文算法相较于最小二乘算法在误码率满足前向纠错的误码率阈值（3.8×10^-3）时所需的信噪比降低4.5 dB；利用DFT-SAMP算法进行信道估计，在保证可靠性的同时，运行效率相比SAMP算法提升约69%，为MIMO-VLC系统信道估计提供了更为有效的方式。

由于室内环境复杂，基于Elman神经网络的可见光位置感知存在收敛速度慢、定位精度低等缺点。论文提出基于麻雀搜索算法（sparrow search algorithm, SSA）优化Elman神经网络，同时融合K-means聚类的一种可见光室内位置感知算法。对采集到的数据建立数据库，利用SSA对Elman的拓扑结构和连接权阈值进行优化，建立训练模型，解决基于Elman神经网络室内位置感知算法易陷入局部最优的问题，提高收敛速度和稳健性；利用K-means对数据库优化分类，将处理好的数据代入模型训练得初步预测结果；将初步预测结果代入子类二次训练得预测点的最终坐标，进一步提高定位精度。基于0.8 m×0.8 m×0.8 m的立体空间进行实验，结果表明：论文算法平均定位误差3.22 cm，定位误差小于6 cm，概率达到90%，相较SSA-Elman算法定位精度提高7.5%；相较Elman网络算法定位精度提高16%。