正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术因其优越性,已经被广泛应用于各种无线通信系统中。然而在无线OFDM系统中,由于多变复杂的信道环境,要想保持OFDM技术优势,就必须在信道状态信息（Channel State Information,CSI）的准确获取上下功夫,这就涉及到合适的信道估计算法。传统方案往往采用导频来获取导频位置的CSI,之后选择合适的插值算法拟合计算出非导频位置处的信道响应,从而获取整体信道状态信息。本文将机器学习中的有力分支深度学习引入到无线通信中的信道估计问题中来,希望借助深度学习技术来提高信道估计的性能,同时探究减少导频开支的可能性以及深度学习方案的鲁棒性。论文的主要研究内容由以下两个方面组成:（1）针对LTE标准下的二维导频模式,设计了一种基于卷积神经网络的信道估计网络Re CNN,该网络可以完全代替传统的插值方案,并且改善最小二乘（Least Squares,LS）估计算法忽视噪声的不足之处。Re CNN网络信道估计性能相比线性最小均方误差（Linear MMSE,LMMSE）估计算法有一定提升,并且在更少导频数量的条件下表现依然优秀。同时,Re CNN网络相比经典的超分辨结构SRCNN,可以无需预先插值处理,性能也更加优越。（2）不同于传统通信方案的模块化级联处理流程,本文联合信道估计与信号检测,设计了一个深度神经网络,该网络可以实现接收信号的端到端恢复。实验结果表明,基于深度神经网络的估计方法性能全面优于LS估计算法,略逊于MMSE估计算法;同时,在对比其他DNN结构时,所设计的深度神经网络具有更小的训练开支和更优的误比特率性能。以上说明所设计的DNN网络具有有效性。在面对导频、调制方式改变和保护间隔缺失的各种情况下,基于深度神经网络的估计方案都获得了比传统方案更低的误比特率;而在信道最大时延发生变化时,DNN网络也具有较好的泛化能力。这些都说明所设计的DNN网络具有很强的鲁棒性。