随着高铁、车联网的快速发展,近几年来车载移动通信技术已成为研究的热点。其中低延时高可靠的通信技术作为车载电子应用的根基,保障了各种车载应用能够提供安全、实时而准确的信息服务。同时,随着我国高铁、车联网的快速发展,面向高铁、车联网的各种高速应用场景成为了5G（5th Generation,5G）通信中较为重要的应用场景。此外,正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术作为5G物理层通信的核心技术,经过多年的发展已经趋于成熟。而在OFDM系统的接收机信号处理中,信道估计直接决定了整个系统的通信质量。因此,面向高速移动场景,提供更加可靠、稳定、快速的移动通信服务成为了5G的技术目标之一,这也在学术界和工业界引起了广泛关注。但是,在高速移动通信环境下,一方面,无线信道由于多径的影响,使信道呈现频率选择性衰落特性,另一方面,由于终端移动所带来的多普勒效应的影响,使其信道具有时间选择性衰落特性,由于这两种衰落的共同影响,此时的无线信道与传统的静态或者准静态的无线信道有很大差异,这使得在这种环境下OFDM信道估计具有巨大的挑战。近年来,深度学习技术在各个领域大放光彩,特别是在以卷积神经网络（Convolutional Neural Network,CNN）为代表的图像识别和语音识别领域。该方法以数据为驱动,通过离线学习,挖掘隐藏在数据背后的变换关系。本文从高速信道的特性出发,针对高速移动环境下OFDM通信系统中信道估计面临的种种挑战,提出一些高速移动环境下基于深度学习的信道估计方法。本文的主要工作如下:首先,对高速移动环境下无线信道的时域和频域的衰落特性进行了理论分析,包括多径和多普勒效应对无线信道的影响。并且分析了传统信道估计方法在面对高速信道时所面临的挑战,包括传统插值信道估计方法无法追踪由于多径和多普勒频移引起的时频域信道变化问题。针对传统信道估计算法不能有效跟踪信道时频域的变化,提出一种利用神经网络联合估计信道时频域相关系数和信道频域响应的信道估计方法,该算法使用全连接深度神经网络（Deep Neural Networks,DNN）联合完成频域插值和估计频域插值系数,以及利用长短期记忆（Long Term Short Memory,LSTM）循环神经网络联合完成时域状态预测和估计时域相关系数。通过离线训练——在线预测的方式同时估计信道的时域和频域的相关系数以追踪信道的时频域变化。仿真分析表明,基于神经网络的信道估计方法能够较好的追踪信道的变化,使得其信道估计性能得到大幅提升。进一步,为了应对移动环境下信道条件改变导致算法估计性能大幅下降的问题,引入多径编码矢量和速度编码矢量,然后利用CNN代替DNN完成频域插值和条件循环单元（Conditional Recurrent Unit,CRU）进行时域状态预测。一方面,我们将多径编码矢量通过加权的形式作用于CNN插值后的输出,以此追踪信道多径的变化。另一方面,CRU将速度编码矢量作为网络的输入,通过该矢量追踪不同移动环境下信道的变化。通过离线训练,该方法能够为不同的移动场景学习一个先验的多径编码和速度编码矢量,算法能够通过这两个编码追踪不同移动环境下的信道变化,实现对不同移动环境下信道数据进行精确训练,最后通过仿真验证了所提思路的有效性。