随着应用场景、用户需求和技术演进的需要,5G新空口（New Radio,NR）通信应运而生。信道估计在5G NR通信系统中起着至关重要的作用,准确高效的信道估计算法可以保障通信的可靠性与时效性,确保整个系统的通信性能。针对城市轨道交通、城际高铁和车联网等高速移动环境,无线信道面临频率选择性和时间选择性衰落（双选衰落）的问题,这给信道估计带来了严峻的挑战,使得信道状态信息的准确获取变得困难,影响行车通信质量和驾驶安全。考虑到信道估计在5G NR中的重要性,高效且准确的信道估计研究十分重要。有鉴于此,本文针对高速移动场景下的5G NR信道估计展开研究。本文的主要工作内容如下:第一,对于高速环境下无线信道传播特征进行了分析,主要包括信道的双选衰落特性,并搭建了信道估计系统模型,对不同的衰落信道进行了仿真。分别从导频处和数据处估计出发,对传统的信道估计方法进行了介绍,并由仿真结果分析了传统估计算法所存在的不足。第二,为了解决传统算法无法跟踪快时变信道的问题,本文提出了一种联合判决反馈的扩展卡尔曼滤波-反向递归（Extended Kalman Filter-Backward Recursion,EKF-BR）信道估计算法,对信道响应和时域相关系数进行估计,遵循状态预测与状态更新的迭代循环,实现追踪信道变化。系统仿真结果表明,在不同多普勒场景下,所提EKF-BR算法相比传统信道估计算法可以有效提升信道估计的准确度,具有较优的估计性能。第三,为进一步提升信道估计的准确性和降低算法复杂度,将深度学习与信道估计相结合,由于信道矩阵和图像之间存在一定的相似性,利用深度学习在图像恢复的原理,本文提出了信道估计残差网络（Channel Estimation Residual Networks,CE-Res Net）算法,将信道估计转换为图像恢复问题,在经过LS信道估计后得到低分辨率图像的基础上,用CE-Res Net实现对高分辨率图像的恢复即完整资源网格的恢复。经过CE-Res Net在线估计使得算法复杂度大大降低,且能更为准确地学习信道的变化特征以追踪信道的变化。通过仿真分析,证实了所提算法具有出色的估计性能,能够明显提升系统通信性能,而且具有更强的算法鲁棒性,适用于高速环境下的信道估计。