极化码被认为是第一个具有低编码和译码复杂度的容量可达香农极限的码字。传统的极化码译码算法无法兼顾低复杂度和低时延这两种特性,使极化码的应用范围被有所限制。深度学习译码器又被称为神经网络译码器,由于其非迭代和全并行的特点,具有很强的竞争力。然而,神经网络译码器的性能仍然不尽如人意。在纯神经网络译码器的验证阶段,可明显得知,较高的验证集信噪比有助于较低的误码率。即如果可以在纯神经网络译码器之前放置一个降噪器来提高接收到的符号的信噪比,那么修改后的神经网络译码器将有可能表现出更好的误码率性能。残差学习已被证明是图像去噪的有力工具。本文的任务是从原始码字的带噪版本y1N中恢复真正的符号向量s1N,这与图像去噪非常相似。当原始映射更像一个直接映射时,残差网络将比普通网络更容易被优化且为反向传播的梯度信号提供了捷径,减轻了更深层次神经网络的训练难度。本文的工作内容主要有以下几点:第一,首先探究了残差学习降噪器中残差块的构造并搭建残差学习降噪器。通过神经网络译码器模型的性能来量化该模型作为残差块的性能。设计了基于多层感知机（Multilayer Perceptron,MLP）、卷积神经网络（Convolutional Neural Network,CNN）和递归神经网络（Recurrent Neural Network,RNN）的三种极化码译码器模型,并给出其参数设置,分别探究激活函数、训练码字信噪比、网络规模对这三种译码器性能的影响。仿真得知MLP译码器的性能略优于CNN译码器的性能,而RNN译码器的性能最差。所以选择MLP模型作为本文提出的残差学习降噪器中残差块的设计模型。第二,给出多尺度置信传播（Belief Propagation,BP）译码算法,并基于此算法搭建基于BP译码因子图的神经网络译码器,将经过降噪的码字传入译码器进行译码,设计出置信传播神经网络译码器（Belief Propagation Neural Network Decoder,BPNND）,接着,在BPNND中引入残差学习的结构,构建基于残差学习的置信传播神经网络译码器ResBPNN,对其权重进行训练,该算法与传统BP译码算法相比,具有更好的性能以及更少的迭代次数。第三,将降噪器与译码器相结合,搭建极化码的降噪译码器,同时把降噪损失函数和译码损失函数合并为一体进行训练,使得译码器获得了更好的性能。仿真结果表明,本文提出的降噪译码器的性能优于传统BP译码算法以及SC译码算法,且性能可达最大后验译码算法的性能。