车联网的快速发展使交通服务逐步实现了智能化,IEEE 802.11p协议是车联网系统中的通信标准,在802.11p协议中,正交频分复用技术（Orthogonal Frequency Division Multiplexing,OFDM）尤为关键,因其抗多径干扰能力强、频带利用率高以及实现复杂度低等优点成为了车联网系统中的主要通信技术,但峰值平均功率比（peak-to-average power ratio,PAPR）过大是其一大瓶颈,过高的PAPR会使信号产生非线性失真,从而引发信号畸变,且会降低功率放大器的工作效率,使系统的整体性能变差。因此,为了解决此缺陷,本文主要做了以下研究工作:首先,本文针对传输信号峰均比过大的问题,提出了一种基于深度学习中的自编码算法降低车联网系统中传输信号OFDM的PAPR的研究方案。本文主要是利用深度学习中的自编码器算法,通过选取不同的激活函数,构建具有多层神经网络的自动编码器训练模型。为使参数能够快速收敛至最优,本文选择将Adam算法与学习率衰减相结合的方式进行参数的优化。仿真结果表明,该方案在以损失一定误码率为代价的基础上,极大地抑制了系统的PAPR,由此提升了功率放大器的工作效率,通信质量也得以提升,进而提高了传输系统的整体性能。其次,本文在保证传输信号的可靠性的前提下,提出了一种基于深度学习的自编码算法降低车联网系统中传输信号OFDM的立方度量（Cubic Metric,CM）的研究方案。考虑到误差矢量幅度可以很好的衡量原始信号与输出信号的偏差程度,通过降低它就可以实现改善系统误码率的效果。因此,本文基于深度学习中的自编码算法,利用不同的激活函数,构建一个多层的编码训练模型,并将误差矢量幅度与经过自编码算法处理后的信号CM联合设置为损失函数,并且选取Adam优化器进行数据信息的优化。仿真结果表明,该方案在实现抑制CM的同时也防止了系统误码率性能的严重恶化,进而使得系统的整体性能得到改善提升。