正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术是实现复杂度较低的一种多载波传输方案,是4G的核心技术,因其有效的抗干扰以及抗频率选择性衰落优势被广泛应用于各种无线通信网络中。由于无线传输信道的环境影响,信号在传播过程中会受到不同程度的衰落以及干扰,为了能在接收端准确恢复出发送的原始信号,因此需要对信道状态进行估计。同时,在通信传输过程中往往需要执行高阶调制以达到提高传输速率的目的,这也对OFDM系统的信道估计时效性和精确性提出了更高要求。针对这一系列问题,本文分析了近年来常见的信道估计算法,并在此基础上根据这些算法的不足,有针对性的提出了两种改进的信道估计方法,第一种方法利用改进后的极限学习机神经网络来替代OFDM通信系统的信道估计模块,通过神经网络拟合求解信道状态矩阵;第二种方法将输入输出信号正交分解的方式,求解输入输出矩阵之间的非线性关系,从而完成信道估计。本文提出的的两种信道估计方法具体研究内容如下:1)针对OFDM系统中利用浅层神经网络进行信道估计计算复杂度高以及估计速度慢的问题,提出一种基于岭回归正则极限学习机（Ridge Regression Regularization Extreme Learning Machine,RELM）的信道估计方法。利用改进的极限学习机网络对信道进行自回归建模,先将极限学习机损失函数正则化,再将损失函数通过岭回归方法解析,可以学习得到最优的神经网络参数,同时利用先验信道信息完成信道估计。与传统信道估计算法相比,所提信道估计方法仅需较低计算复杂度,即可达到得更低的均方误差,从而提供更好的系统误码率性能。2)针对OFDM系统中传统算法估计准确度较差、而利用机器学习进行信道估计的方法容易出现回归不充分,且每次改变信道环境需要对网络进行重新训练的问题。本文提出了一种基于改进偏最小二乘的信道估计方法,提取导频信号的状态,并且利用正交投影来建立接收信号与发送信号之间的线性关系,在一定程度上不仅降低了噪声的影响,同时还保留了信道估计的精确度。