引入统一的容量模型，建立MIMO（ 向量信道） 与传统单输入单输出（single input single output ，SISO ，标量信道） 之间的关系，详见第一章和第二章；建立与用户位置有关的瞬态与平均信道容量、中断容量、区域平均容量、区域中断容量等常见分析方法的相互关系，详见第二章；在上述容量模型的基础上，探讨分布式MIMO 各种典型配置场景下的最优功率分配和能量效率优化问题，包括多用户、多小区以及无蜂窝无线网络等实际应用场景，详见第五章。
鉴于信道信息获取是限制分布式大规模MIMO 应用的瓶颈因素，需要引入导频复用技术以减少资源的开销。此时，信道信息获取的非理想特性，也即导频污染，将对系统的性能形成制约。在第三章中，对此关键问题进行了较为完整的分析，并引入了收发天线数充分多时，典型接收机和发射机的系统极限性能。
无线缓存是移动通信领域近年来的一个研究热点。在第六章中，针对分布式MIMO 网络的特点，给出了无线缓存的基本模型，提出了性能优越且实现简单的缓存方案及优化算法，从而探讨了分布式MIMO 无线网络资源有效利用的一种新途径。
计算复杂度随天线的规模增加而大幅增加，是限制分布式MIMO 及无蜂窝无线网络走向应用的另一个主要瓶颈。在第七章中，结合5G 移动通信系统应用，给出了低复杂度的接收机与发射机联合设计，其核心是利用统计信息对多用户MIMO问题进行解耦，并最终将问题转化为多个独立并行的单用户处理问题。
云化处理是近年来移动通信系统发展的一个主流趋势，愈来愈多的网络功能将通过数据中心以虚拟化的方式加以实现。在第九章中，引入了基于以太交换机及通用众核服务器的5G 移动通信云构架实现方法，介绍了分布式大规模MIMO 无蜂窝网络的高速并行编程及实时实现方法，提出了无线节点同步、上下行链路互易性校正等关键问题的解决方法，并通过典型场景下的试验测试，表明基于分布式大规模MIMO 的无蜂窝无线网络极具发展潜能。
