随着5G时代的到来,人们对高速率、大容量、低延时的通信需求不断增加。极化码(Polar code)作为第一个被证明能达到通信信道香农极限的纠错码,其凭借优异的性能已被确定为5G增强移动宽带(Enhanced mobile broadband,e MBB)场景控制信道的编码方案。近年来,深度学习展现出强大的处理复杂任务的能力,在数字通信领域(信道编码与译码、信号检测与分类、毫米波通信和端到端通信等)展现良好前景。当前极化码的译码算法主要有置信度传播(Belief Propagation,BP)译码算法和串行消除(Successive Cancellation List,SCL)译码算法。其中SCL译码算法的译码误码率较低延迟较高,而BP译码算法的译码误码率较高但具有良好的低延迟特性。为了进一步提升BP译码算法的译码误码率,本文主要研究基于深度学习的极化码译码问题,探究基于深度学习实现极化码译码的相关性能,并且改进置信度传播译码算法的译码误码率性能。本文主要工作包括:首先,基于现有深度学习模型(MLP模型、CNN模型和LSTM模型)设计了神经网络译码器。从误码率、误帧率、归一化验证误差、泛化能力和码长容限等方面进行实验研究。结果表明,现有的深度学习模型在码长极短情况下接近最大后验概率(Maximum a posteriori probability,MAP)译码性能。随着码长增加,训练样本集呈指数增长,现有的深度学习模型无法实现译码任务。然后,基于极化码的编码结构,提出了码字扩充方法,改进了现有深度学习模型的误码率性能。通过该方法可以提取编码结构的隐藏信息。实验结果表明,在码长为16情况下,该方法可以达到置信度传播译码算法的译码误码率水平。最后,基于已有的综合征函数,研究出了极化码冻结位校验矩阵,提出了基于综合征损失函数的无监督学习极化码译码算法。该方法适用于任意码长下的极化码译码场景。仿真结果表明,本文提出的算法相比传统的置信度传播译码算法有效降低了译码误码率,节约了约0.2d B。另外,本文提出的算法拓展了基于深度学习的极化码译码模型训练方式。