正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）是一种多载波传输技术,其频谱利用率高,抗多径能力强,目前己被广泛应用于水声通信。深度学习技术因其在计算机视觉和自然语言处理领域中的出色表现而受到广泛关注,其极强的特征提取能力和拟合能力为水声OFDM通信提供了新的发展空间。本文就水声OFDM系统中的信道编码、调制、信道估计、解调以及信道解码技术展开研究,尝试利用深度学习技术来提高水声通信系统的性能。首先,针对水声信道的物理特性,本文提出了一种基于增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的水声OFDM信道估计方法。该方法将图像超分辨重建思想引入信道估计任务中,使用生成对抗网络和嵌套型残差密集块进行信道估计。该方法还利用水声信道特征之间的误差来优化ESRGAN的损失函数,提高了系统的抗噪能力。仿真结果证明,与现有方法相比,提出的方法具有更好的信道估计精度。其次,针对水声通信的特点,本文使用基于卷积神经网络（Convolutional Neural Network,CNN）的自编码器设计了一种水声OFDM通信方案。该方案把自编码器的编码层视为发射机,解码层视为接收机,使用CNN减少训练参数,加快收敛速度,完成了调制与解调功能。接下来本文借助卷积码的思想,在基于CNN的自编码器网络结构中添加双向长短期记忆网络,为传输的比特信息引入时间相关性,完成了信道编码与信道解码功能。仿真结果表明,基于自编码器的通信方案改善了恶劣的信道状态对通信性能的影响,提高了传输的可靠性。最后,本文将提出的基于ESRGAN的水声OFDM信道估计方案与基于自编码器的水声OFDM通信方案相结合,端到端联合优化整个通信过程,实现了一个基于深度学习的水声OFDM传输方案。该方案保证了整体上的通信性能最优,利用神经网络完成了信道编码、调制、信道估计、解调和信道解码的过程。仿真结果表示,该方案实现了比对每个独立模块分别优化的水声OFDM物理层传输方案更优越的性能。