现有OFDM信道估计方法通常是根据OFDM系统的统计模型,在一定的估计准则下构造接收信号的函数作为信道参数的估计。由于在系统式设计时就确定了估计算法及其中的参数,系统在实际使用中可能存在估计算法中参数取值和设计算法所用的系统模型与实际不匹配的问题,而这两个问题在现有的信道估计方法中没有很好地解决。机器学习利用样本训练可以自主地提升系统性能,所以将机器学习应用于信道估计,设计自适应信道估计,以解决上述现有信道估计算法所面临的问题。但是机器学习方法一般需要大量样本和一定的训练时间才能发挥理想性能,这对通信系统来说通常是难以保证的。本文的研究主要围绕合理利用机器学习解决现有信道估计算法中参数取值不准确和模型失配问题,主要的研究工作有:1、详细分析了现有OFDM信道估计方法的原理以及机器学习中监督学习和强化学习的原理,指出了现有OFDM信道估计方法在实际使用中面临的问题,以及用机器学习解决这些问题的合理性。2、借鉴监督学习原理,提出了基于监督学习的DFT信道估计,并跟据DFT信道估计中学习任务的特点设计了高效的学习算法,通过仿真证明相比现有DFT信道估计方法,所提方法有明显的性能增益。3、基于Q-学习算法提出了基于强化学习的DFT信道估计,并针对学习任务特点修改了Q-学习算法,使得算法收敛更快,性能更稳定。通过仿真证明,基于强化学习的DFT信道估计可以适应环境的改变,自主修正最大多径时延假设值以匹配信道环境,相比现有将最大多径时延假设为固定值的方法有明显性能提升。4、将基于监督学习的DFT信道估计和基于强化学习的DFT信道估计扩展,分别提出了基于监督学习的一般信道估计方法框架和基于强化学习的一般信道模型修正方法框架,分别解决现有信道估计方法中参数取值不准确和模型失配问题,实现了自适应信道估计。所提的框架对机器学习在其他通信系统中的应用也有一定借鉴意义。