随着时代的发展,人工智能逐渐走入人们的视野中,生活的各个方面都出现其身影。在通信领域中深度学习(Deep Learning)的快速发展使智能通信这一概念成为时下热门。由于通信系统更容易获取数据样本,且传输的数据经过编码等操作后一般都具有一定的规律,因此研究学者希望深度学习的引入可以让通信算法更加智能化,从而适应复杂的通信场景,并达到更高的通信质量。在通信系统中,低密度奇偶校验(Low Density Parity Check,LDPC)码作为一族接近容量限的码,已经得到学术界和工业界的一致认可,并将应用到五代移动通信技术中。其中,多元低密度奇偶校验(Non Binary Low-Density Parity-Check,NB-LDPC)码更是一类有着良好纠错能力的码。但NB-LDPC码译码算法的复杂度要比二元LDPC码的高。因此,一些学者提出了可降低复杂度的译码方案,可某些情况下这些方案的复杂度依旧无法被接受。因此,NB-LDPC码的译码算法还需进一步优化。基于上述背景,由于深度学习可以通过离线训练学习到输入样本特征之间的内在规律,因此可以使用神经网络进行译码,或对现有译码算法进行辅助。基于有一定相干性的信道噪声场景,本文研究了如何将NB-LDPC码与深度学习相结合的方法。主要贡献及创新点可概括为以下几点:1.详细介绍了深度学习相关知识,包括深度全连接神经网络和卷积神经网的网络结构、网络构造和优化方法选择,并系统归纳了NB-LDPC码的译码算法;最后简要介绍了二元LDPC码与深度学习结合的译码方案。2.利用神经网络学习接收数据间的相关性对NB-LDPC码进行译码,并将搭建的神经网络与现有NB-LDPC码的联合检测译码(Iterative Joint Detection-Decoding,IJDD)算法结合,以较小的神经网络运算量为代价,进一步提升IJDD算法的性能;同时搭建不同的网络结构进行性能仿真比较说明:卷积神经网更适合与IJDD算法结合;通过分析其网络调度以及网络结构存在的问题,并给出相应的网络调用方案,优化网络结构。3.搭建神经网络去除具有相干性的残留噪声,从而获得更高的译码增益;将已有的二元LDPC码系统估计残留噪声网络结构通过修改数据处理方案扩展到NB-LDPC码系统;改进已有网络结构,通过增加全连接层进一步提高性能;将本方案的网络与IJDD算法结合,通过增加去除噪声的步骤获得更高的译码增益。最后利用不同的神经网络结构进行性能仿真,并分析其存在的问题。