在复杂的信道环境下,信号的多径传播引起的码间干扰影响通信性能,如何减轻混沌无线通信系统中的码间干扰是亟待解决的问题。研究表明,通过计算次优解码阈值可以减轻混沌无线通信系统中的码间干扰。然而,利用过去符号计算得到的次优解码阈值,只能消除一部分码间干扰(由已接收到的历史符号信息造成的码间干扰)。针对这一问题,本文主要工作如下:(1)提出了基于卷积神经网络预测未来符号的码间干扰计算方法。该方法结合了具有深度学习结构的卷积神经网络,可根据已接收到的信息,预测未来符号信息,从而减小由未来符号信息造成的码间干扰,通过计算考虑预测未来符号的新解码阈值,解决次优阈值方法中无法减小由未来符号产生的码间干扰的问题。通过在MATLAB中模拟不同的信噪比环境下通信情况,以及搭建混沌无线通信系统在真实的户外场景中进行实验,采用不同的解码方法对接收的混沌信号进行解码,对比结果表明:与传统解码方法及次优解码阈值方法相比,本文方法在不同信噪比条件下获得更低误码率。(2)提出了基于CNN直接解码的混沌基带信号无线通信方法。该方法利用了卷积神经网络在分类问题上的优越性能,通过对CNN进行训练,使之能够根据输入的波形信息直接解码,与现有方法相比,省去了计算解码阈值,再根据解码阈值进行解码的一系列步骤。通过仿真和实验比较该方法与传统方法以及次优解码阈值方法的结果,表明该方法在不同信噪比条件下都取得了最低的误码率,证明了该方法的优越性。