近年来,LDPC码已被多个工业标准采用,如无线局域网（IEEE 802.11n）和移动宽带无线接入系统（IEEE 802.16e）等,并作为5G标准中提高信息交换可靠性的关键成分。随着近几年深度学习技术的快速发展和现代通信网络复杂度的迅速增加而导致传统方法开始显现出其局限性,有大量科研人员在通信系统中采用深度学习方法并取得了许多相关的成果。但是现有的大多数结合深度学习的研究是以中短码长的LDPC码为研究对象,在应对长码方面会随着码长过长而出现维度爆炸等问题,并且没有很好的解决在高信噪比区域LDPC码译码过程中陷入陷阱集的问题。本文以二元LDPC码为研究对象,结合深度学习的强学习能力和传统LDPC译码方法的优点,提出了两类基于深度学习的译码算法:一类是通过深度学习模型来实现传统译码算法,另一类是在LDPC码的传统译码算法基础上,通过深度学习的方法进行后处理进一步改进LDPC码的译码性能,旨在解决陷阱集问题。本文的主要研究内容如下:（1）本文提出了一种可适用于LDPC长码的译码器,结合LDPC码的Tanner图的特点,建立一个深度神经网络来学习传统归一化最小和译码算法。此外,为了进一步降低算法实现的复杂度,本文提出了两种改进译码器:权值共享的归一化最小和神经网络译码器和偏移最小和神经网络译码器。除此之外,本文还提出了一种松弛结构的LDPC码译码器来进一步提高译码性能。仿真结果表明,所提出的译码算法达到了与传统译码算法媲美甚至更优的译码性能,且译码收敛速度更快,时延更低。（2）本文还提出了一种基于传统归一化最小和译码算法的深度学习后处理译码算法,该算法对错误帧码字进行深度学习比特翻转二阶段译码,旨在保证传统迭代译码算法优秀的译码性能的前提下,进一步降低LDPC码的误码率和误帧率,从而一定程度上解决高信噪比区域出现的陷阱集问题。仿真结果表明,与传统的归一化译码算法相比,采用基于深度学习的后处理算法（Deep Learning-Aided Post-Processing Scheme,DLAPPS）译码器可以明显改善码字的误码率和误帧率,提高了译码增益,而DLAPPS译码算法相较于传统归一化最小和译码算法所增加的复杂度相比于所获得的译码增益而言可以忽略不计。且当模型参数训练完成之后,DLAPPS译码器比许多现有的解决陷阱集问题的方法具有更低的时延。（3）本文所提出的两种基于深度学习的LDPC译码方法均适用于长码,解决了大多数现有方法中出现的维度爆炸的问题。仿真结果表明,两种方法的性能均优于LDPC码的传统最小和迭代译码,因此可以考虑运用到实际应用中。