1.一种基于反卷积和去噪卷积的信道估计方法，其特征在于，所述方法由计算机执行，包括以下步骤：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对所述导频点信息进行插值处理，获取初始完整信道信息；其中，反卷积神经网络为前四层是5*5的卷积核，第五层是1*1的卷积核的5层反卷积神经网络；S201、设置5层反卷积神经网络的相关参数，其中，所述相关参数包括：批大小batchsize；S202、按照参数batchsize的设置，将训练集中的导频点信息输入到5层反卷积神经网络，获取初始完整信道信息；S203、每次训练后，通过初始完整信道信息与对应的原始信道信息之间均方误差来调整优化反卷积神经网络，采用adam优化函数来优化反卷积神经网络；S204、重复步骤S202～S203，获取全部训练集中导频点信息对应的初始完整信道信息，并保留相关参数的设置；

S3、基于去噪卷积网络DnCNN对所述初始完整信道信息进行去噪处理，获取信道估计值；其中，去噪卷积网络DnCNN包括20个卷积层，其中，第1层是64个3*3滤波器+Relu激活函数，第2层到第19层是64个3*3的卷积核，通过归一化操作和Relu激活函数来激活，第20层是

1个3*3的卷积核：S301、设置去噪卷积网络DnCNN的相关参数，所述相关参数包括批大小batchsize；S302、将步骤204中的初始完整信道信息输入到去噪卷积网络DnCNN，通过去噪卷积网络DnCNN学习到信道矩阵中残余的噪声信息分布；根据噪声信息分布进行相减操作，实现去噪，得到初始完整信道信息对应的信道估计值；S303、每次训练后，通过信道估计值与对应的初始完整信道信息之间最小均方误差来调整优化去噪卷积网络DnCNN，采用adam优化函数来优化去噪卷积网络DnCNN；S304、重复步骤S302～S303，获取全部初始完整信道信息对应的信道估计值，并保留相关参数的设置。

2.如权利要求1所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S1中，原始信道信息为72*14*2的矩阵形信息，导频点信息为24*2*2的矩阵形信息。

3.一种基于反卷积和去噪卷积的信道估计系统，其特征在于，所述系统包括计算机，所述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行权利要求1或2所述的方法。