极化码是一种新提出的能够被严格的数学方法证明可以达到信道容量的编码方法。极化码基于一种被称为信道极化的信号处理技术,信道极化将一组二进制输入无记忆信道的不同时隙的复用看作是独立的子信道,通过信道合并和信道分裂操作在子信道中引入了相关性,当参与信道极化的子信道足够多时即码长足够长的时候就会出现极化的现象,即一部分信道成为信道容量趋近于1的完全无噪声信道而另一部分信道成为信道容量趋近于0的纯噪声信道。同时极化码具有结构化的编码结构,使得编译码的复杂度都较低,在现代的通信系统中有非常好的应用前景。由于其出色的性能,极化码已经被3GPP宣布成为5G中的控制信道的短码编码方案。因此本文以此为基础,对极化码在未来无线通信中应用的技术思路和方法进行相关研究,包括极化码在盲检测场景下的算法设计,新型的基于机器学习的译码方法研究,以及极化码的高性能译码算法的研究等问题,相关研究内容概括如下。本文提出了一种基于分段式CRC的极化码盲检测算法。针对在实际的应用场景中极化码盲检测的问题,本文利用插入到码字序列中的多个分段式CRC来实现对盲检中错误的译码尝试的提前终止从而降低计算的复杂度。由于错误的接收序列在译码过程中会导致译码错误从而被插入的分段式CRC检测到,当所有的候选译码路径都校验失败时就终止译码过程。同时在本文提出的方法中将终端的RNTI(Radio Network Temporary Identifier)和极化码的冻结比特位置联合起来实现不同的终端之间的身份识别。通过仿真验证了本文提出的提前终止的策略的有效性,与LTE中的盲检测算法对比降低了计算复杂度和时间复杂度。本文提出了一种基于机器学习的极化码译码算法。机器学习中的决策树模型具有较强的学习能力和较好的可解释性,在使用到译码的过程中具有天然的易于并行设计的特点,具有低时延和接近最大后验概率译码算法性能的特点,是能够作为极化码新型译码算法的候选译码算法。本文提出了一种基于三种决策树模型构成的加权决策树模型用于极化码的译码。基于决策树模型的译码器相比于神经网络译码器的最明显的特点就是模型可解释度高,并且训练的复杂度相比神经网络大大地降低,降低了调参和仿真过程中的难度。通过仿真的曲线可以看到基于决策树模型的译码器和十分接近于MAP译码器的性能。当每一个决策树模型只负责极化码码字中的一部分信息比特,基于决策树模型的译码器可以很方便地应用到码长更长的极化码中。本章所提的基于决策树模型的极化码译码器具有较低的训练复杂度和译码时的计算复杂度,取得了和神经网络译码器相近的译码性能,对于新型的极化码译码器的设计具有一定的启发意义。本文最后提出了一种极化码的Threshold-based CRC-Aided BMA译码算法。BMA译码算法是在基于MRB的OSD(Ordered Statistic Decoding)基础上加入了匹配技术的译码算法。但是原本的BMA译码算法计算全局最优下界的计算复杂度过高和处理的候选码字的个数过多,因此提出了 CRC-AidedBMA译码算法来降低时间复杂度。然后,为了进一步减少平均处理的候选码字个数又提出了一种Threshold-based CRC-Aided BMA译码方法,该方法通过控制LLR值的阈值的大小进一步减少总的需要考虑的候选陪集元素的个数,进而降低BMA译码算法的时间复杂度。仿真的结果表明该译码方法在和同阶的OSD译码算法相比在牺牲了一部分的空间复杂度的情况下确实有效地降低了译码算法的时间复杂度,并且BLER性能能够比同阶的OSD译码算法要好,所以本章提出的Threshold-based CRC-Aided BMA译码算法对于5G下的超可靠低时延(uRLLC)的场景下的码长比较短的极化码译码算法的设计有着比较重要的实际意义。