由于正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）高速数据通信能力和对多径时延扩展的稳健性,其在无线通信中引起了人们的极大兴趣。OFDM技术目前已广泛应用于长期演进技术（Long Term Evolution,LTE）和第五代移动通信（Fifth Generation,5G）等无线网络中,并且将作为关键技术应用到下一代无线通信系统6G（Sixth Generation,6G）中去。在基于OFDM的无线通信系统中,无论采用单天线还是多天线,都需要准确估计出信道状态信息以提高无线通信系统的性能,这就使得信道估计变得非常关键。针对OFDM系统信道估计的研究现状,最小二乘（Least Square,LS）估计实现简单,但其性能受到限制,最小均方误差估计技术（Minimum Mean Square Error,MMSE）显著减小了均方误差,但计算复杂度很高。为了能够在估计性能与复杂度之间取得一个平衡,近年来,随着深度学习（Deep Learning,DL）在各个领域的成功应用,受到了通信界的广泛关注,并促进了人们对应用DL解决通信和信号处理的兴趣。本文分别提出了两种适用于单输入单输出（Single-Input Single-Output,SISO）和多输入多输出（Multiple-Input Multiple-Output MIMO）OFDM 系统中基于DL超分辨网络的信道估计技术:（1）研究点一考虑SISO-OFDM系统中基于导频的信道估计。首先通过发送导频得到该位置处的信道响应,由于受到多普勒频移的影响,使得子载波之间存在一定相关性。利用深度学习能够轻易学习到不同子载波处信道系数之间相关性的能力,本文提出了一种基于超分辨生成对抗网络（Super-Resolution Generative Adversarial Network,SRGAN）的信道估计算法,将信道时频响应矩阵视为二维图像,利用基于SRGAN的信道估计算法对信道时频响应矩阵的二维插值进行学习优化,得到未知数据处的信道响应,进而恢复出所有子载波处完整的信道响应。仿真验证表明本文所提算法的性能远优于LS估计,并在低信噪比（Signal-to-Noise Ratio,SNR）下较目前最优的基于深度学习的残差信道估计网络获得了大约2.5dB的增益,在高SNR下大约有5dB的增益。同时在SNR低于15dB的场景下优于线性最小均方误差（Linear MMSE,LMMSE）估计。（2）研究点二考虑在MIMO-OFDM系统中基于导频的信道估计。相较于SISO-OFDM系统,天线数的增加使得信道矩阵的维度增加,从而使得信道估计算法的复杂度大幅上升。为了能够在降低复杂度的同时,依然能保证系统估计性能,研究点二提出了一种基于自注意机制的信道估计的算法。通过搭建自注意机制模块,构建信道系数之间的相互依赖关系,从而更有效地估计出完整信道信息。仿真验证表明研究点二所提算法较研究点一算法复杂度得到降低。同时仿真结果表明,所提算法的估计性能远优于LS估计算法,与常用的基于超分辨的信道估计算法相比,在SNR为20dB时大约有1.1dB的增益,在SNR为OdB时大约有0.8dB的增益。同时在低SNR下性能优于LMMSE估计算法,高SNR下与LMMSE估计算法性能相近。