近年来,随着计算机并行处理能力的增长与人工智能技术的发展,深度神经网络的相关研究不断深入,并被广泛应用于众多领域。下一代移动通信技术与深度神经网络结合也已成为研究热点,技术趋势之一是利用深度神经网络解决复杂环境下信道译码器的性能难以提升的问题。本文围绕这一问题,聚焦于多种信道环境下的低密度奇偶校验码译码器设计,并取得了如下研究成果。（1）考虑加性高斯白噪声信道及短码情况,结合不同深度神经网络的结构特性,设计了三种全神经网络实现的信道译码器,分别基于多层感知机,卷积神经网络和长短期记忆网络。仿真结果表面,相比于其他两种译码器,卷积神经网络译码器具有更好的译码性能和更高的网络训练效率。（2）考虑相关高斯噪声信道及中长码情况,为克服该环境导致的传统置信传播（Belief Propagation,简称BP）译码器性能衰减和全神经网络译码器实现复杂度高的问题,提出了基于门控卷积神经网络与置信传播级联迭代的新型信道译码器。门控卷积神经网络实现了对相关噪声的估计,从而可以有效的克服噪声相关性造成的BP译码器性能衰减问题。仿真结果表明,在码长576比特情况下,所提出的译码器相比传统BP译码器具有更低的误码率,性能增益最大可达4d B。（3）考虑具有相关性的瑞利快衰落及具有相关性的加性高斯噪声信道环境,提出了基于双卷积神经网络与置信传播级联非迭代的信道译码器。该译码器利用两个卷积神经网络,分别用于快衰落信道增益估计和相关噪声估计。仿真结果表明,所提出的译码器结构相比传统的BP译码器能获得更低的误码率,性能增益最大可达7d B。最后,本文对全部工作做个总结同时分析了不足之处,并对以后的工作进行了展望。