在无线通信系统中，信道估计的准确性直接影响接收机的均衡、解调和译码性能。经典的最小二乘（LS）信道估计算法虽然实现简单，但在低信噪比环境下会受到严重的噪声放大影响，性能较差。最小均方误差（MMSE）估计器通过利用信道和噪声的二阶统计信息，可以获得比LS更优的性能，但其计算复杂度过高，且需要准确的统计先验，实际应用受限。本文提出了一种基于深度神经网络的信道估计增强方法，核心思想是学习并纠正LS估计的

本文对深度学习（DL）在非正交多址接入（NOMA）无线系统中多用户检测的应用进行了初步研究。传统方法需要显式地进行信道估计和串行干扰消除（SIC），而在SIC中由于错误传播效应，检测精度将在很大程度上依赖于对先前用户的正确检测。本文设计了一种基于深度学习的NOMA接收机，通过数据驱动的方式，直接学习从接收信号到发送符号组合的端到端映射关系。初步结果表明，深度学习方法能够优于传统的基于导频的信道估计

在 5G 新空口中，OFDM 是核心波形，而信道估计的质量直接影响系统吞吐量。传统的 LS 和 MMSE 估计器在低信噪比或复杂多径下性能受限。近年来，深度学习凭借其强大的特征提取能力，为信道估计提供了新的思路。本文从零搭建一个 OFDM 仿真平台，实现 LS、MMSE 以及基于 CNN 和 LSTM 的估计器，并对比它们在 Rayleigh 衰落信道下的 MSE 和 BER 性能。

本文基于IEEE 802.11a标准，构建了一个端到端的OFDM仿真平台，设计并实现了一种轻量化的1D-CNN均衡器。通过大量蒙特卡洛仿真，在AWGN、Rician和NLOS多径信道下系统评估了CNN与传统MMSE均衡器的性能差异。

MIMO检测的核心矛盾是最优性能（ML检测）与指数级复杂度之间的不可调和性。深度学习通过离线训练、在线推理的模式，将复杂度从在线搜索转移到离线学习，是突破该瓶颈的有效路径。然而，神经网络的检测精度高度依赖于标签的信息表示方式——不同的编码策略决定了网络输出层的任务形式（分类 or 多标签回归），进而影响学习难度和泛化能力。本文分析了三种标签策略的设计动机和内在折中。实验验证了该折中关系的存在，并为

车联网（V2V）通信中的高移动性导致信道呈现时间‑频率双选择性衰落，传统基于导频或数据辅助的估计方法因导频稀疏和误差累积而性能受限。本文基于IEEE 802.11p物理层标准，设计并实现了一套完整的数据导频辅助信道估计方案，并在此基础上引入时间卷积网络（TCN）对DPA的初始估计进行深度特征重构。通过分离接收信号的实部与虚部并构建时序输入矩阵，TCN能够捕捉相邻子载波间的频域相关性，从而输出更准确

随着无线通信系统向更高频段、更复杂传播环境演进，传统信道均衡算法在性能与复杂度之间面临越来越严峻的权衡。本文基于IEEE 802.11a标准的OFDM物理层框架，构建了一套完整的端到端仿真平台，系统对比了基于卷积神经网络（CNN）的智能均衡器与传统迫零（ZF）和最小均方误差（MMSE）线性均衡器在不同信道条件下的误码率性能。仿真覆盖了AWGN、Rician（莱斯）衰落等多种场景，重点考察了莱斯K因

正交频分复用（OFDM）技术在现代无线通信系统中占据核心地位，但其高峰均比（PAPR）特性使发射信号对功率放大器（PA）的非线性失真极为敏感。传统线性均衡器（如MMSE）基于线性信道模型设计，无法补偿PA非线性引起的跨子载波互调干扰，导致高信噪比区域出现误码率平台效应。本文基于IEEE 802.11a标准构建了完整的OFDM物理层仿真链路，系统评估了卷积神经网络（CNN）均衡器在Rapp固态功率放

MIMO（多输入多输出）技术通过多天线收发显著提升了无线通信系统的容量，是4G/5G的核心技术之一。接收端的信号检测是影响系统性能的关键环节。传统检测算法中，ZF和MMSE计算简单但性能有限，ML检测性能最优但复杂度随天线数和调制阶数指数增长，难以实际应用。近年来，深度学习被引入MIMO检测领域，本文基于深度展开网络实现了一种检测器，并与ZF、MMSE、ML进行系统对比。

正交频分复用（OFDM）技术因具有频谱利用率高、抗多径衰落能力强等优势，已成为第四代及第五代移动通信系统的核心调制技术。然而，OFDM信号在时域上由于多个子载波同相叠加会产生较高的峰均功率比（PAPR），导致信号通过功率放大器时易产生非线性失真，导致带内干扰和带外辐射，降低系统性能。本文围绕OFDM系统PAPR抑制问题，研究了一种基于深度学习的PAPR抑制方案，并与限幅滤波、选择映射（SLM）、部