多载波调制技术有着频谱利用率高、抗多径衰落能力强的优势,在无线通信领域有着广泛的应用。其中正交频分复用(Orthogonal Frequency Division Multiple,OFDM)技术在第四代(4th Generation,4G)移动通信技术时代大放异彩,在第五代(5th Generation,5G)移动通信技术时代也占据重要地位,而滤波器组多载波(Filter Bank Multi-Carrier,FBMC)调制技术有着广阔的应用前景,具有很大的研究价值。近些年,随着大数据的发展和硬件计算能力的提高,人工智能技术飞速发展,非常成功地应用在计算机视觉、自然语言处理等领域,并且取得了巨大的成就。在通信领域的物理层,人工智能也有着非常大应用潜力。本文致力于研究基于深度学习的信道估计技术,主要贡献如下:(1)传统的离散傅里叶变换(Discrete Fourier Transform,DFT)滤波算法在时域设立一个滤波窗口进行滤波去噪,能够提升信道估计的精度,但是该算法选择的窗口大小是固定的,信道变化时不能最佳地滤除噪声,针对这个问题,本文在传统的DFT滤波算法的基础上提出了基于深度学习的自适应滤波算法,并将其应用于OFDM和FBMC两个系统,该算法能够自适应地识别出最佳的滤波窗口大小,比传统算法过滤更多噪声。该算法需要先进行传统的信道估计,例如OFDM的最小二乘(Least Square,LS)算法和FBMC的成对导频(Pairs of Pilot,POP)算法,然后将得到的信道信息变换到时域进行去噪。在此过程中利用深度神经网络自适应地识别出滤波的窗口大小,尽可能多地滤除噪声干扰。最后对提出的方案进行仿真分析,结果表明,在不同的信道环境下,提出方案的均方误差(Mean Square Error,MSE)和误码率(Bit Error Ratio,BER)性能均比传统的DFT滤波算法更好。(2)深度神经网络具有提取隐含信息和拟合复杂函数的能力,利用该特性,本文提出了基于深度学习的插值算法,并将其应用于OFDM和FBMC两个系统,该算法能够更好的拟合出信道的频域响应,提高插值精度。该算法考虑离散导频的情况,利用深度神经网络提取已知频点上信道信息的特征,将未知频点上的信道信息估计出来,完成插值的目的。本文提出的算法需要先进行传统的信道估计,例如OFDM的LS算法和FBMC的辅助导频(Auxiliary Pilot,AP)算法,再利用深度神经网络插值,最后仿真对比算法的MSE和BER性能。结果表明,深度神经网络的插值算法比传统插值方法拥有更好的性能。