自由空间光（Free Space Optical,FSO）通信易受时变大气信道的影响,通信的有效性和可靠性极大程度上依赖于对信道状态的认知。在无线激光自适应系统中,为了实时调整传输参数以适应时变大气信道,在传输性能和传输速率中做到有效平衡,就需要在接收端对大气信道物理状态信息进行估计。接收机光电探测过程中,接收信号会包含背景光、探测器本底噪声（或散粒噪声）和电路热噪声等,这将对大气信道衰落参数估计产生影响。因此,开展光电探测噪声与大气湍流信道衰落参数联合估计,并研究探测噪声对大气信道衰落参数的影响具有重要意义。本文针对探测噪声和湍流信道衰落参数,进行了传统最大似然联合估计以及深度学习联合估计方法的研究,并且采用不同天气条件下实测探测噪声和信道数据对所研究估计方法的性能进行了评估与验证。具体内容包括有:1.阐述了大气湍流和光电探测噪声的基本概念,对信道估计技术和深度学习技术进行了概述,分析了基于Gamma-Gamma大气湍流模型进行湍流信道参数估计的优缺点。建立了 Gamma-Gamma大气湍流信道和光电探测噪声联合概率密度分布,基于该分布推导了牛顿迭代（Newton-Raphson,N-R）方法和期望最大化（Expectation Maximization,EM）算法的最大似然联合估计表达式。2.提出了探测噪声与湍流信道衰落参数的最大似然联合估计算法。针对探测噪声与湍流信道衰落建立了 N-R法和EM算法联合信道估计方法,并引入克拉美罗界（Cramer-Rao Bound,CRB）评估所设计的估计器的性能。基于湍流信道模拟数据采用估计均方误差（Mean-Square Error,MSE）对比分析了考虑和未考虑光电探测噪声影响的估计器性能。并且基于三种天气条件下的实测信道和探测噪声数据,验证了所提算法在考虑探测噪声影响的情况下,能够显著提高大气湍流衰落参数的估计精度。3.提出了一种基于神经网络的探测噪声与湍流信道联合信道估计方法。利用探测噪声与湍流信道的关系特性产生训练数据,并将噪声参数与信道参数作为标签与数据一一匹配,再设定固定窗口对一维数据进行扫描转换为二维数据。建立了基于卷积神经网络（Convolutional Neural Network,CNN）的探测噪声与信道衰落联合估计网络模型,利用卷积、池化、自适应学习率和正则化等操作对探测噪声与湍流信道的特征信息进行训练学习,从而获取高精度的大气信道估计特征。从卷积层数、数据样本量和网络超参数等对网络模型进行调参,探究了信道参数和噪声方差等参数对估计性能的影响,对比了在实测数据集合下的EM算法与CNN模型参数估计效果,表明该模型对不同的大气环境都具有较强的信道特性提取能力,呈现了较为理想的估计效果,解决了从噪声污染的衰落信号中准确估计复杂大气环境下的信道参数这一问题。