正交频分复用作为一种常用的多载波传输技术,因其良好的频谱选择特性和抗衰落性而被广泛应用于无线通信系统中。信道估计即根据接收数据信息对信道模型参数进行估计,是OFDM通信系统的关键,很大程度上决定了无线通信系统的性能。传统的信道估计算法通常需要预知信道的先验统计特性,且未能充分利用信道特征信息,难以达到较好估计性能;而且在实际应用中受噪声等环境因素的影响较大,鲁棒性较差,难以满足实际需求。深度学习技术因其强大的学习能力在视频分析、图像处理和语音识别等方面有了飞速的发展,通信领域的研究者也将深度学习技术应用在无线通信的各个方面。本文通过研究目前优秀的深度学习信道估计方法,首先提出了基于反卷积网络的信道估计算法;其次为了提高信道估计性能,进一步提出了基于扩张卷积的信道估计算法。本文主要工作内容如下:（1）针对信道插值问题,本文创新地引入图像处理的方法,将信道估计建模为图像超分辨率重建问题。具体而言,我们将最小二乘信道估计出的导频信道状态信息视为一张低分辨率图片,完整的信道信息视为需重构的高分辨率图像,提出了一种基于反卷积网络的信道估计方法。反卷积网络能够利用反卷积操作,以较少的网络层数在实现信道数据尺寸插值放大的同时实现较好的信道估计,降低了计算复杂度,保证了信道状态信息的估计精度。仿真实验表明,所提出的基于反卷积网络方法能够充分地利用信道特征信息,有效提高信道估计的性能。（2）针对信道去噪问题,我们结合无线信道特性和扩张卷积网络的优势提出了基于扩张卷积网络的信道估计模型。扩张卷积网络利用扩张卷积操作和残差结构能够学习输入信道图像到噪声的映射来抑制信道噪声,以提升信道估计的准确度。同时,基于扩张卷积网络的信道估计算法不仅可以学习到信道传输函数的非线性映射,而且对于不同的信道模型具有良好的适应性,能够根据信道状态的不同快速收敛,提高算法的适应能力和鲁棒性。仿真结果表明,基于反卷积和扩张卷积的信道估计方法对于完整信道状态信息的重建效果更好,扩张卷积网络信道去噪的能力较其它去噪算法的去噪性能更强。