超宽带通信系统因其具有高数据率、低功率谱密度、短时间脉冲等优点,被广泛的应用于民生、军事等多个领域。超宽带信号由于其带宽较宽,同时室内环境场景狭小、障碍物较多,故会呈现密集多径信现象,为信道模型的识别与估计造成了困难。随着机器学习和人工智能革命的兴起,人工智能在无线通信领域的应用越来越广泛。本文提出了基于神经网络的信道模型识别与信噪比估计的方法,并将已识别出的信道模型和信噪比作为先验知识,改进了基于压缩感知理论的信道估计算法的参数选择,并基于估计结果设计了Rake接收机。本文在超宽带室内密集多径信道方面主要研究了三个内容,分别是信道模型识别、信噪比估计和信道参数估计。首先针对基于支持向量机的6种传统信道特征参量对信道模型分类正确率较低的问题,本文提出了基于神经网络的信道模型识别方法,该方法依托于IEEE802.15.4a信道模型,利用Gegenbauer多项式构造的正交脉冲作为发射信号,仿真生成接收信号作为训练测试集,分析了卷积神经网络在实现信道模型识别时应选取的结构和参数,并对搭建好的网络进行训练测试,得到了较高的分类准确率。其次提出了基于神经网络的信噪比估计的方法,构建了卷积神经网络和循环神经网络,分析对比了两者在信噪比估计方面的性能优劣,仿真实验结果表明,循环神经网络在信噪比估计方面性能较好。将已识别出的信道模型作为先验知识应用于神经网络,对比测试了在是否已知信道模型情况下信噪比估计的准确度,证明了已知信道模型对提高信噪比估计准确率有所帮助。再次改进了基于压缩感知理论的信道参数估计方法。将已知的信道模型和信噪比应用于信道参数估计,分析了导频数在不同信道模型不同信噪比情况下对估计误差的影响,实现了参数自适应的信道估计方法,提高了信道参数估计的效率。将信道参数估计的结果应用于Rake接收机的设计,得到了较低的误码率。本文提出的超宽带通信系统室内密集多径信道模型识别与参数估计方法,分别基于神经网络和压缩感知算法,逐级应用已获得的结论作为先验知识,相比较传统方法而言,减少了人工干预因素,取得了较好的结果。