En la actualidad, es difícil obtener rápidamente y de manera precisa la pérdida de propagación en interiores utilizando mediciones directas en la banda de ondas milimétricas. Para resolver este problema, en este documento se presenta un método de trazado de rayos adecuado para escenas interiores basado en la teoría de la óptica geométrica, la teoría uniforme de la difracción y la teoría de imágenes; se utiliza el algoritmo de maximización de expectativas generalizadas de alteración espacial (SAGE) para analizar los datos medidos y se analiza la información de multipercurso del canal inalámbrico; se utilizan tres modelos de aprendizaje profundo para predecir la pérdida de trayectoria en diferentes distancias de recepción basadas en 1600 conjuntos de datos de pérdida de trayectoria. Los resultados muestran que la comparación entre el trazado de rayos y los resultados experimentales muestra un buen acuerdo. Además, el error cuadrático medio (RMSE) y el error absoluto medio (MAE) de la red de memoria a corto y largo plazo (LSTM) son los más pequeños, y el LSTM tiene un mejor efecto de ajuste en las secuencias de pérdida de propagación predichas en ubicaciones más distantes en comparación con los métodos de red neuronal recurrente (RNN) y unidad recurrente de compuerta (GRU), lo que puede reflejar mejor la tendencia de propagación. Esto proporciona apoyo teórico para el diseño de estaciones base y la optimización de redes en entornos interiores abiertos típicos.