端到端无线通信自被提出之后受到了广泛的研究与应用。传统基于深度学习的网络往往需要大量的训练数据和训练周期来取得足够好的性能表现。然而,在很多无线通信应用中,通信信道场景往往多变且未知,同时仅有少数标签样本可供使用,这使得经典的端到端通信无法取得像在加性高斯白噪声信道这样理想的信道环境下可媲美于传统块结构通信链路的性能表现,这已日渐成为束缚端到端无线通信的技术瓶颈之一。针对上述问题,本文针对仅有少量标签样本的小样本通信环境,研究了端到端无线通信信道模拟与接收关键技术,主要工作与贡献包括:（1）针对小样本环境的未知信道模拟问题,研究了基于元学习和对抗生成网络的信道模拟方法,提出了结合Reptile算法与对抗生成网络DAWSON框架的小样本信道模拟网络;在此基础上,加入变分采样层以增强生成器捕捉目标信道特征的能力。基于Pytorch环境,对所提方法进行了仿真验证,结果表明:在对称alpha稳定分布噪声信道环境下,所提方法能以较少标签样本对目标信道进行模拟。（2）针对小样本环境端到端无线通信接收端的信号接收译码问题,研究了适用于小样本环境的接收端译码算法,提出了基于prototypical网络的端到端无线通信接收方法。通过处理查询样本集、过滤噪声后以特定方法计算原型分量,对所有原型分量进行均值化处理获取每个类的原型,从而利用聚类提高接收机信号译码性能。仿真结果表明:在小样本环境下,与现有端到端基线算法相比,所提方法具有更低的通信误码率。（3）基于Pytorch开源机器学习框架,对发射机网络、基于Reptile的小样本信道对抗生成网络和基于prototypical network的接收机网络级联的端到端无线通信系统,进行了物理层链路仿真,结果表明:所提算法能在小样本环境下实现端到端无线通信信号的发送与接收。在此基础上,针对实际应用中训练与测试信道环境可能存在较大差异的问题,进一步提出了小样本信道模拟网络的性能增强方法,经计算机仿真测试,该方法能有效提高端到端通信在训练和测试差异环境下的泛化性能。