Este documento propone un novedoso método de estimación de canal ciego utilizando el agrupamiento de recursos basado en redes neuronales convolucionales (CNN). El esquema tradicional de estimación de canal ciego basado en K-medias sufre limitaciones al reflejar variaciones de canal detalladas tanto en los dominios de tiempo como de frecuencia. Para abordar estas limitaciones, proponemos un agrupamiento dinámico de recursos basado en la arquitectura de CNN que utiliza un proceso de aprendizaje de dos pasos que se adapta a diversas condiciones de canal. El primer paso del método propuesto identifica el número óptimo de subportadoras para cada condición de canal, proporcionando una base para el segundo paso. El segundo paso ajusta el número de símbolos de multiplexación por división de frecuencia ortogonal (OFDM), un parámetro para determinar el patrón propuesto en el dominio del tiempo, para adaptarse a las variaciones dinámicas del canal. Los resultados de la simulación demuestran que el método propuesto de estimación de canal ciego basado en CNN logra una alta precisión de estimación de canal en diversos niveles de relación señal-ruido (SNR), alcanzando la mayor precisión del 82.5% a un SNR de 10 dB. Incluso cuando la precisión de clasificación es relativamente baja, la CNN mitiga efectivamente la distorsión de la señal, ofreciendo un rendimiento superior en comparación con los métodos convencionales en términos de error cuadrático medio (MSE) en diversas condiciones de canal. Es importante destacar que el método propuesto mantiene un rendimiento robusto en escenarios de alta movilidad y variaciones severas del canal.