无线通信技术的快速发展对通信系统的传输速率、频谱利用率以及鲁棒性等有着更高的要求。在采用大规模无线通信信道的新一代的通信传输系统中,传输大量数据的信道极易被噪声干扰导致在低信噪比环境下的性能严重失真,为得到可靠性强传输速率高的通信系统,需要得到通信信道的属性信息,即信道的状态信息（CSI）。利用信道估计技术能够直接获得CSI,但在估计时能否对CSI进行有效地获取决定了信道估计的有效性及性能。传统信道估计算法由于自身的局限性在新一代通信系统下很难获得优异的估计性能,因此寻找新的估计方法来获得CSI显得尤为重要。随着人工智能及深度学习技术的不断发展,采用深度学习技术对通信问题进行优化处理引起了学术界的广泛关注。本文在正交频分复用系统（OFDM）进行信道估计的基础上,提出基于深度学习技术的OFDM信道估计方法来对低信噪比下的信道估计性能进行改进,主要工作如下:首先,对传统信道估计算法进行详细阐述,包括基带通信系统、导频结构设计及插值算法。其次对深度学习技术进行阐述,为后文使用深度学习技术进行信道估计奠定基础。然后参考OFDM基带系统框架,针对传统信道估计算法在当前无线通信的低信噪比环境下获取信道CSI能力不足的问题,对系统进行建模并提出使用双向长短时记忆神经网络（Bi-LSTM）进行训练和学习来更好地获得CSI,与传统信道估计算法相比Bi-LSTM的性能增益为2-4d B,且时间复杂度较低约为（）。另外针对神经网络在低信噪比下的性能失真问题,本文研究并使用条件生成对抗神经网络（CGAN）对低信噪比下的训练数据进行降噪处理以提升信道估计性能,通过星座图及BER曲线的仿真结果可知在低信噪比范围下使用CGAN网络进行信道估计的性能增益约为3-5d B,并可以明显提升深度学习模型在低信噪比下的数据分析能力,同时也证明了深度学习技术可以和信道估计技术结合使用。最后,为进一步探究深度学习技术在实际场景下进行信道估计的应用实现,本文利用边缘计算技术开发了基础的判别系统,并通过边缘计算平台将功能配置到边缘节点使其能够自行判断是否使用CGAN网络模型参数来提升信道估计算法的估计性能,为算法的落地实现提供技术支撑。