数字通信中通过信道编译码技术来抵抗信息传输过程中噪声和干扰的影响,降低误码率,但各种编译码方案的优缺点和复杂度均不同。极化码(Polar)是2008年由Erdal Arikan教授提出的一种基于信道极化现象的线性分组码,极化码具有固定的编码结构且已经从理论上被证明能够达到香农极限,但在短码字的情况下,其译码性能不理想,且串行消除(Successive Cancellation,SC)译码算法译码延时较高。近年来,深度学习技术广泛应用在各个领域,其能够在复杂变化的环境中学习数据的类别和特征,且模型具备很强的灵活性和普适性。因此,本文主要研究基于深度学习的极化码译码,搭建译码模型,分析译码性能,同时应用该模型进行随机码、汉明码、LDPC(Low Density Parity Check)码译码,验证该译码模型的适用性。本文首先分析了5G移动通信系统中信道编码的两种技术——Polar码和LDPC码的编译码算法。分析了信道极化中信道组合和分裂的过程,并仿真了三种不同码长经过信道极化后的各子信道容量分布,介绍了基于巴氏参数的Polar码构造方法以及串行消除(SC)译码算法原理。介绍了LDPC码基于全下三角形式、近似下三角形式的两种构造方法,并仿真分析了LDPC码基于置信传播算法(Belief propagation,BP)的译码性能。其次研究搭建了基于极化码的深度学习译码模型,分析了神经网络的基本结构和训练过程,研究分析了BP(Back Propagation)神经网络结构的设计过程及反向传播算法的工作原理,仿真分析了不同激活函数、损失函数、迭代次数、网络结构对极化码译码网络性能的影响,对比分析得到了基于深度学习的极化码译码模型,且译码性能达到了最大后验概率性能。最后验证了基于极化码的深度学习译码模型在随机码、汉明码和LDPC码上的适用性,仿真分析了基于深度学习的随机码、汉明码和LDPC码的译码性能与传统译码算法的性能,得到基于深度学习译码性能在译码准确率和译码时长上优于传统的译码算法。