En la comunicación de Multiplexación por División de Frecuencia Ortogonal Acústica Subacuática (UWA-OFDM), el método tradicional de estimación de canal interpolado produce códigos de error, debido al pequeño número de pilotos de usuario, distribución desigual y características complejas del canal. En este documento, proponemos un nuevo método de estimación de canal UWA basado en Aprendizaje Profundo (DL). Primero, basándonos en un pequeño número de muestras de canal, utilizamos el modelo CWGAN-GP para generar muestras de canal acústico subacuático clasificadas mejoradas que tengan similitud semántica con las muestras reales y también presenten la diversidad de las muestras. Después de obtener la muestra de canal, la matriz de estimación de pilotos fue procesada de manera similar a una imagen. Aquí, extraímos las características del canal mediante la construcción de una estructura de red convolucional similar a U-Net, debilitando el impacto de la pérdida de información de características. También se diseñó un módulo de Denoising de Atención de Canal (CAD), para optimizar aún más la información de canal reconstruida. Los resultados de simulación verificaron la superioridad del algoritmo propuesto, en términos de Error Cuadrático Medio (MSE) y Tasa de Error de Bits (BER) en comparación con los algoritmos existentes de Mínimos Cuadrados (LS), Red Neuronal Profunda (DNN) y ChannelNet.