La precisión de la estimación del canal afecta significativamente el rendimiento de los sistemas de multiplexión por división de frecuencia ortogonal (OFDM). En la literatura, existen varios métodos de estimación de canales. Sin embargo, el rendimiento de estos métodos se deteriora considerablemente cuando los canales inalámbricos sufren distorsiones no lineales e interferencias. El aprendizaje automático (ML) muestra un gran potencial para resolver problemas no paramétricos. Este documento propone métodos de estimación de canales basados en ML para sistemas con patrones de piloto en forma de peine y símbolos de piloto aleatorios, como ATSC 3.0. Comparamos su rendimiento con las estimaciones de canal convencionales en sistemas ATSC 3.0 para modelos de canal lineales y no lineales. También evaluamos la robustez de los métodos basados en ML frente a la desajuste del modelo de canal y el desajuste de la relación señal-ruido (SNR). Los resultados muestran que las estimaciones de canal basadas en ML logran un buen rendimiento en error cuadrático medio (MSE) para canales lineales y no lineales si las estadísticas del canal utilizadas para la etapa de entrenamiento coinciden con las de la etapa de implementación. De lo contrario, los modelos de estimación de ML pueden sobreajustar el canal de entrenamiento, lo que lleva a un mal rendimiento en la implementación. Además, el método basado en redes neuronales profundas (DNN) no supera a los métodos de estimación de canal lineales en canales no lineales.