交通运输现在已经成为国家经济发展中最重要的行业之一。为缓解交通运输安全和拥堵日益增长的压力,需要对车联网通信的可靠性和时延提出更高的要求,在长期演进的车对路基础设施（Long Term Evolution-Vehicle to Infrastructure,LTE-V2I）通信中,接收端的信号处理通过信道估计和均衡技术来提高通信性能。但信号在V2I场景下传播会受到噪声和衰落的影响,导致接收端不能正确解调这使得该环境下的信道估计仍面临着较大挑战。基于数据驱动的深度学习技术近些年发展的如火如荼,该技术通过挖掘数据之间的隐藏关系拟合出合适的模型进行预测,现已被很多学者应用到通信物理层研究中。针对传统信道估计算法难以解决V2I场景下的噪声消除、快时变信道追踪问题,本文将深度学习技术应用到导频和数据符号的信道估计算法中,并通过系统仿真进行了验证。以下是本文的主要工作:（1）从峰值平均功率比上的优势、信号处理流程以及物理层传输帧结构三个方面,对LTE-V2I标准下的单载波频分多址（Single Carrier-FDMA,SC-FDMA）进行详细介绍,描述了车联网环境下无线信道存在的时间、频率选择性衰落特性,并给出了考虑时变多径信道的数学模型。对传统的几种经典信道估计算法原理进行介绍,包括导频符号处和数据符号处的信道估计算法,并总结出这些算法存在的不足,最后还分析了算法的复杂度。对传统的几种经典信道估计算法原理进行介绍,包括导频符号处和数据符号处的信道估计算法,并总结出这些算法存在的不足,最后还分析了算法的复杂度。（2）针对传统算法中存在的去噪效果差、矩阵求逆复杂度高以及实际中参数难以获取问题,提出基于奇异值分解（Singular Value Decomposition,SVD）网络的导频符号信道估计算法。所提算法利用SVD以及块状导频结构对线性最小均方误差（Linear Minimum Mean Squared Error,LMMSE）估计算法进行推导得到算法的设计思路,其中需要求解的路径权重因子通过SVD-Net模型获取,使用路径权重矩阵对LS初始化后的信道冲激响应（Channel Impulse Response,CIR）进行加权,达到消除循环前缀（Cyclic Prefix,CP）内外噪声的目的。系统仿真和算法时间复杂度表明,在不同速度下所提算法能以较低的复杂度保持与LMMSE相近的归一化均方误差（Normalized Mean Square Error,NMSE）性能。（3）为解决传统插值算法不能很好的拟合信道时域特性的问题,提出基于图神经网络（Graph Neural Network,GNN）的数据符号信道估计算法。所提算法利用信道频率响应中的数据点作为图的节点,符号间时域相关性作为边,将图化后的数据送入Graph SAGE信道插值器（Graph SAGE Channel Interpolator,GCI）中,通过边更新、聚合操作、节点更新三大模块进行训练,算法还把多普勒矢量作为节点特征加入以控制网络拟合不同多普勒条件的信道。最后,系统仿真验证了在不同速度环境下的算法的可行性和鲁棒性。