正交频分复用技术（Othogonal frequency division multiplexing,OFDM）由于其极高的带宽效率和对多径效应的稳定性,成为了4G的核心技术,并在未来也将是5G的一项关键技术。在无线通信中,信号受到复杂的传输环境干扰而发生失真,为了能够正确的解调出发送信号,接收端必须对信道特性进行估计和补偿。通常来说,接收端利用位置和值已知的导频信号来进行信道估计。近年来,深度学习因其强大的性能备受关注,也为无线通信提供了新思路。本文就OFDM系统中深度学习与信道估计结合问题展开研究。为了解决传统信道估计方法实现复杂度较高,对信道先验信息要求高的问题,本文设计并实现三种改进的信道估计算法:（1）设计并实现了一种基于图像超分辨率（Image Super-Resolution,SR）神经网络的信道估计方法pre-CERes Net,对导频处信道最小二乘法（Least Squares,LS）估计值进行插值后作为一张低分辨率图片输入网络,通过SR网络获得高分辨率图片,也就是完整的信道估计值。通过仿真表明,所提出的算法具有远超LS算法的性能,并且性能也十分接近线性最小均方误差法（Linear Minimum Mean Squares Error,LMMSE）,同时该方法不需要信道的先验信息,复杂度远低于LMMSE算法。（2）设计并实现了一种基于反卷积层上采样的信道估计网络post-CERes Net,将导频处LS信道估计值直接输入网络,网络的所有计算都在低维空间进行,在最后一层使用一个反卷积层进行放大,得到完整的信道估计值。通过仿真表明,所提出的算法性能超过LS方法,并且有和LMMSE接近的性能,同时计算复杂度低于LMMSE算法,并且神经网络的计算量也被大大减少。（3）设计并实现了一种基于元学习策略的参数预测信道估计网络metaCERes Net,将导频处LS信道估计值输入网络,提取特征后,再进行上采样,其中上采样的权重值由一个小型全连接神经网络进行预测。网络在训练时不再使用固定的信道参数,而是使用许多组不同的信道参数进行训练。仿真结果表明,该算法在性能和复杂度方面均优于LMMSE算法,同时在信道条件变化时可以快速适应新的信道估计任务,具有更强的鲁棒性和泛用性。最后在simulink平台搭建了OFDM系统测试了pre-CERes Net、post-CERes Net和meta-CERes Net的性能,并针对信道场景的变化提出了相应的微调策略,结果表明三种方法在实际系统中具有有效性。