随着移动通信技术的不断发展以及人们对无线通信业务的需求不断增加,第五代移动通信系统正在商用,与之相关更多技术的研究正在全面展开。针对多媒体和互联网应用对更高清更快速的服务质量的需求,无线通信系统面临高速率传输的问题。但是数据速率受到符号间干扰的限制,符号间干扰降低了系统传输性能。实现可靠通信的主要挑战取决于通过无线信道传输信息时遇到的信道状况。因而针对信道方面的研究得到国内外学者的广泛关注。随着5G基站的覆盖范围的减小,小区间干扰变得尤为严重,就需要更精确的信道估计来消除干扰。此外,在发送端进行前向预编码和接收端进行信号检测时,均需使用信道状态信息。因此,信道估计的质量对于能否实现5G通信系统具有超高的频谱利用率的目标而言至关重要。正交频分复用由于其高数据速率,高频谱效率以及对频率选择性衰落信道的鲁棒性而备受关注。本文针对5G新无线电(New Radio,NR)通信系统中正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的信道估计与均衡技术展开研究。主要工作概括如下:第一,根据无线多径衰落信道模型和系统传输理论,建立5G NR下行链路OFDM系统仿真模型。在二维信道估计中,针对OFDM符号间信道估计,在现有信道估计技术研究的基础上,改进了判决反馈信道估计算法提高了信道估计性能,仿真结果表明,本文提出的算法可以有效地降低插入导频的频率。此外,并将深度学习算法引入信道估计当中,提出了一种基于深度学习的信道估计方法。利用最小二乘(Least Squares,LS)估计完成信道初始估计,然后通过深度神经网络修正信道初始估计值,实现超过线性最小均方误差算法(Linear Minimum Mean Square Error,LMMSE)信道估计的性能。除此之外,本文提出的基于深度学习的信道估计算法比LMMSE信道估计算法更能抵抗频移所带来的影响,在恶劣的衰落信道下具有实用的系统性能。第二,本文将深度学习用于信道均衡和检测中,提出一种联合信道均衡和检测在内的一种深度神经网络模型。仿真结果表明,在导频数较少的情况下,采用LMMSE信道估计后再经过迫零(Zero Forcing,ZF)均衡作为深度神经网络的初始化的方案。其仿真结果与采用了 LMMSE信道估计和最小均方误差(Minimum Mean Squared Error,MMSE)均衡传统方法的性能相当。在增加导频数量的情况下,采用LS信道估计和ZF均衡处理后的初始化作为网络输入获得比经典LMMSE信道估计和MMSE均衡算法更低的误码率。