毫米波（Millimetre-wave,mm Wave）在传播过程中存在损耗,因此在具体的应用场景下实现区域全覆盖会有很大挑战。随着下一代移动通信（B5G/6G）技术的研究,智能反射面（Reconfigurable Intelligent Surface,RIS）作为一种可以无损反射入射信号的一个中继手段,能够有效地提高基站的覆盖范围和通信系统的容量。可靠通信的基础需要一个准确有效的信道估计方法来获取大规模信道状态信息（Channel State Information,CSI）,但RIS不具有信号处理功能为信道估计带来了挑战,而且传统的信道估计算法训练开销大,计算复杂,难以适应复杂的移动通信的时变环境。对此,本文开展了以下分析和研究:本文主要研究RIS辅助的毫米波多输入单输出（Multiple Input Single Output,MISO）系统中的信道估计方法,其中,RIS用作辅助mm Wave MISO系统中用户与基站之间的数据传输。采用时分双工（Time Division Dual,TDD）协议估计上行链路,重点讨论基于深度学习的方法。本文首先通过MATLAB仿真,采用Saleh-Valenzudel模型构建用户-RIS,RIS-基站的信道模型,并通过变形获取级联信道,进而得到接收信号。在仿真分析了传统的信道估计算法（基于最小二乘法、基于最小均方误差法和压缩感知法）的性能后,探究基于深度学习方法的信道估计。接着,在基于深度学习的信道估计研究中,分析利用深度学习构建的神经网络框架,找到合适的网络模型,用来训练级联信道信息。本文提出深度神经网络（Deep Neural Networks,DNN）+Lambda结构的网络模型,包括一个输入层、一个Flatten层、5个全连接层、两个Lambda层,将接收信号作为数据集,输入到网络中训练。具体地,通过PYTHON进行仿真,利用深度学习中的Tensor Flow框架,借助GPU和CUDA计算库并行计算完成网络的搭建和仿真。仿真结果表明,与传统的信道估计算法比较,本文提出的方法具有以下的优势:（1）通过合理的网络结构的选择,本文使用的基于深度学习的RIS辅助mm Wave MISO系统提高了信道估计准确度,可以提升通信系统传输性能;（2）通过仿真导频开销,基于深度学习的方法对导频的变化具有鲁棒性,可以降低导频开销;（3）由于本文采用的数据考虑到了通信的复杂环境,如有效多径数等因素,算法具有很强的环境适应性,能够跟踪信道变化;（4）网络的训练在离线状态下进行,实时信道估计在线实现,以此降低计算复杂度,节约估计时间,提升估计的时间效率。