为了在不显著提升计算复杂度的情况下，有效提升通信系统的误码率（BER）性能，利用深度学习在数据处理方面的强大能力，提出一种面向基于蜂窝网络的车联网（C-V2X）通信的基于深度学习的联合信道估计与均衡算法——V-EstEqNet。与传统算法分两个阶段分别进行信道估计与均衡不同，V-EstEqNet将通信系统接收机中的信道估计与信道均衡进行联合考虑，并利用深度学习网络直接对接收数据进行校正和恢复，无须进行显式的信道估计环节即可完成信道均衡。具体而言，首先利用大量的接收数据对网络进行离线训练，使网络学习到叠加在接收数据中的信道特性；然后利用该特性恢复原始的发送数据。仿真实验结果表明，在不同的速度场景下，所提算法可以更加有效地追踪信道特性；同时，相较于传统信道估计算法（最小二乘法（LS）和线性最小均方误差法（LMMSE））配合传统信道均衡算法（迫零（ZF）均衡算法和最小均方误差（MMSE）均衡算法），所提算法在低速环境下有最高有6 dB的BER增益，在高速环境下最高有9 dB的BER增益。