高速水声通信关乎国家海洋战略装备发展,是全球海洋科技竞争的制高点。因可观的频谱效率和极强的抗多径能力,正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术引领高速水声通信物理层技术的发展。获取精准的信道状态信息对构建水声OFDM系统意义重大,其是接收端精准检测信号和发送端自适应编码调制的基础。然而,以导频换精度的现有信道估计方法带宽开销极大,且先估计后检测的传统范式需频繁估计水声信道,进一步加剧了时频资源的消耗,难以适用于可用带宽本就极为有限（仅在10 k Hz量级）的水声OFDM通信。为此,本文创新性地融合深度学习与水声OFDM通信,从信道预测的角度探索降低估计开销和频次的理论与方法。具体而言,本文的主要研究内容和成果如下:1、针对物理稀疏度制约信道估计精度和复杂度的问题,设计了基于恢复稀疏度的信道估计算法。具体而言,本文首先分析了噪声对信道估计精度的作用机理,提出了恢复稀疏度的概念。在此基础上,建立了恢复稀疏度-噪声的信道重构模型,并从水声通信系统的传输函数及压缩感知的估计原理出发,推导出了该模型中恢复稀疏度的闭式表达式。据此,设计了迭代终止条件可随噪声自适应变化的信道估计算法（Adaptive Orthogonal Matching Pursuit,A-OMP）。仿真结果表明:相较于正交匹配追踪算法（Orthogonal Matching Pursuit,OMP）,A-OMP算法在信噪比为0 d B的条件下,仅以13.48%的计算开销可提升高达80.62%的估计精度。2、针对现有自适应预测算法因忽略水声信道块稀疏性而精度较低的问题,提出了一种可考虑信道空间相关性的预测方法。具体而言,本文分析了经典自适应预测算法的缺陷,提出了利用Conv LSTM结构来构建信道预测网络的思路。然而,由于水声信道矩阵数据的特殊性（复数、极小值等）,传统的Conv LSTM结构并不能直接应用于水声信道预测中。为此,本文对网络进行了针对性改造,设计了适配水声信道的损失函数和网络输入。据此,搭建了可预测未来一帧中信道时域响应的CPNet网络。仿真结果表明,相较于RLS算法,CPNet可在SNR为0 d B的条件下,降低高达81.77%的预测误差。通过上述研究,本文提出了基于压缩感知和深度学习的信道预测方法,实现了水声OFDM系统由被动估计到主动预测模式的转变,减少了信道估计的频次以及估计过程的导频开销,从而极大程度地节省了时频资源,为构建高速水声OFDM通信系统提供了技术与理论支持。