自2009年Arikan教授提出极化码以来,有关极化码的译码研究便一直作为信道编译码领域的研究热点。传统的译码算法中,连续删除（Successive Cancelation,SC）算法和置信传播（Belief Propagation,BP）算法是目前比较常用的译码方式,然而这两种算法在译码复杂度和译码时延方面均不太理想,不能满足未来通信所提出的高速率及低时延的需求,因此需要针对该方向进行深入探究以期望得到低复杂度和低时延的译码方式。近些年来神经网络在各个领域都得到了迅速发展,学者们利用其在数据处理方面的优势解决了许多问题。考虑到信道译码实际上可以看作是对数据的多分类问题,将神经网络引入信道译码领域是非常具有研究价值和实际意义的。本文通过将神经网络模型应用于极化码的译码领域,设计实现了三种不同的基于神经网络的译码算法并分别对它们进行性能及优缺点的分析,之后针对网络级联译码算法提出了两种改进算法。主要内容如下:1、搭建了四种基础的神经网络译码器模型,分别为多层感知机（Multilayer Perceptron,MLP）译码器,卷积神经网络（Convolutional Neural Network,CNN）译码器,长短期记忆神经网络’（Long Short-Term Memory,LSTM）译码器和门控循环神经网络（Gated Recurrent Unit,GRU）译码器,并分别在无噪和有噪的条件下对这四种译码器进行仿真。通过对仿真结果的分析可得,MLP译码器的性能较差,不适合用于极化码译码,其次为CNN译码器,而LSTM和GRU译码器性能接近且都优于CNN译码器;2、依据神经网络对噪声也有一定的学习能力提出了基于去噪神经网络的极化码译码算法。利用神经网络首先对接收信号进行去噪处理,减小噪声对信息数据的影响,之后再使用传统算法进行译码,使得算法的译码性能有所提升。仿真结果表明,CNN相较于LSTM和GRU在去噪方面更有优势;3、基于对神经网络译码器和神经网络去噪器的仿真分析研究了神经网络级联译码算法,并设计了 CNN-RNN译码模型,该译码模型将CNN更优的去噪性能和RNN更优的译码性能结合起来完成极化码译码过程。仿真表明神经网络级联算法可以有效缓解在有噪声影响的情况下神经网络译码器中出现的由于训练集不足所导致的性能不佳的问题。通过神经网络级联译码算法,在实际应用时便可以忽略由于噪声影响而导致的码本数据集无穷大的问题,将神经网络应用于实际也变得更有可能性;4、最后对于神经网络级联译码算法提出了两种改进算法,分别为神经网络并联译码算法及基于辅助去噪模块的神经网络级联译码算法。前者通过对译码结果的分析降低误比特率从而提升性能,后者则通过引入传统译码算法进行辅助去噪的方式改善去噪器性能,从而进一步改善译码模型的性能。仿真结果表明,两种算法相较于网络级联算法在本文的仿真条件下分别约有0.5dB和0.3dB的性能增益。