Este estudio utiliza técnicas de aprendizaje profundo (DL) para la estimación de canal basada en pilotos en la multiplexación por división de frecuencia ortogonal (OFDM). Los estimadores de canal convencionales en sistemas OFDM asistidos por símbolos piloto sufren de degradación de rendimiento, especialmente en regiones de relación señal-ruido (SNR) baja, debido a la amplificación de ruido en el proceso de estimación, la interferencia entre portadoras, la falta de datos de canal primarios y el mal rendimiento con pocos pilotos, aunque exhiben una complejidad menor y requieren conocimiento implícito de las estadísticas del canal. Se propone un nuevo método para estimar canales utilizando DL con memoria a largo plazo con agujeros de mirilla (peephole LSTM). El estimador de estado de canal basado en peephole LSTM propuesto se despliega en línea después de un entrenamiento fuera de línea con conjuntos de datos generados para rastrear los parámetros del canal, lo que permite una recuperación robusta de los datos transmitidos. Se realiza una comparación entre el estimador propuesto y los estimadores de estado de canal convencionales basados en LSTM y GRU utilizando tres técnicas de optimización de DL diferentes. Debido a las sobresalientes propiedades de aprendizaje y generalización del modelo peephole LSTM basado en DL, el estimador sugerido supera significativamente a los estimadores convencionales de mínimos cuadrados (LS) y de error cuadrático medio mínimo (MMSE), especialmente con pocos pilotos. El estimador sugerido puede ser utilizado sin información previa sobre las estadísticas del canal. Por esta razón, parece prometedor que el estimador propuesto pueda ser utilizado para estimar los estados del canal de un sistema de comunicación OFDM.