在香农定理的理论框架下,通过增加信道带宽来提升信道容量是未来通信发展的主要趋势之一。超宽带技术利用频带极宽的信道来传输信息,研究超宽带技术中信道估计等关键问题对未来通信的发展具有重要意义。超宽带信道估计面临的技术挑战有两个:1.超宽带信号极宽的带宽使得接收机需要以极高的奈奎斯特采样频率进行采样,导致系统的硬件成本大大增加,压缩感知技术的应用能够有效地降低超宽带系统的采样频率,但是,压缩感知带来了噪声倍增效应,严重影响信道估计的精度;2.超宽带信道环境复杂多变,不同种类的信道差异较大,系统需要及时调整参数以适应信道变化,所以超宽带信道分类也是亟待解决的技术问题。本文研究基于压缩感知的超宽带信道估计和基于深度学习的超宽带信道分类,从解决压缩感知固有的噪声倍增效应入手,通过噪声抑制的方法提高信道估计的精度,利用基于深度学习的信道分类提升系统对信道变化的适应能力。本文具体工作包括以下两部分:1.为了解决超宽带压缩感知中的噪声倍增问题,提出了一种具有噪声抑制能力的压缩感知超宽带信道估计方案。利用超宽带信号和高斯白噪声在特征向量字典上的功率分布差异,证明了截断观测降噪的可行性,通过对截断观测最优化,提出了自适应观测方法,该方法能够使观测后的信号具有最大的信干噪比,有效地抑制了噪声倍增效应。利用相关系数、接收机误码率对提出的方案进行了仿真分析,结果表明,采用自适应观测方法可以显著提升信道估计精度。2.为了适应超宽带复杂多变的信道,提出了一种基于深度学习的信道分类方法。该方法把未降噪的观测值通过深度神经网络进行初步分类,并通过集成决策过程进一步提高分类准确度。仿真结果表明所提方法能够准确地对超宽带信道进行分类。在信道分类的基础上,设计了一种提升系统吞吐量的自适应传输方法,对比了不同信道条件下、不同传输策略的系统吞吐量,结果表明自适应传输方法在动态信道环境中可有效提升系统传输效率。