凭借较高的频谱利用率,正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术获得了广泛的应用,然而对于传统的OFDM接收机而言,由于其采用高比特模数转换器（Analog-to-digital Converter,ADC）,导致整个系统有较大的功率损耗。因此,为了降低功率损耗,在OFDM系统中采用低比特ADC对接收信号进行量化。然而,低比特ADC的应用对于整个系统的误码率性能会产生较大的影响。所以,如何设计出一种合适的低比特OFDM接收机,进行精确的信道估计和信号检测,抵消单比特量化带来的影响,成为本文主要研究的问题。首先,本文提出了一种基于自编码器结构的单比特OFDM接收机方案（AE-OFDM）。其中,整个端到端的OFDM通信系统被视为一个自编码器,通过两阶段训练,不断调整网络参数,直至接收机达到最佳的检测性能。大量的仿真实验验证了理论分析的准确性,证明了深度神经网络结构在信道估计和信号检测方面的优越性。然而,考虑到自编码器结构固有的局限性,本文又提出了一种基于模型驱动深度学习的单比特OFDM接收机方案,该方案不同于AE-OFDM方案,其中信道估计和信号检测模块均基于深度神经网络构建而成,同时利用LS/ZF等传统算法对网络的输入数据进行初始化处理,最后利用仿真实验验证了该方案在误码率性能以及算法复杂度方面的优势。上述两种基于深度学习的接收机方案,其网络结构较为复杂,需要训练来进行调整的参数多,导致计算复杂度比较高。因此,本文又提出了一种基于全复数极限学习机算法的单比特OFDM接收机设计方案（FCELM-OFDM）。该方案基于单比特OFDM接收机设计,同时针对深度神经网络中表现出的问题,如算法复杂度高、训练时间长、泛化能力较差等。利用计算机仿真与不同方案进行对比分析,本文验证了该方案在算法复杂度、泛化能力以及误码率性能等方面表现出的优异性能。