短波通信以其不可替代的历史地位和独特的优点,在现代军事通信中有着重要的现实意义。由于短波信道是时变信道,多径效应、衰落、多普勒频移的影响大,信号在短波信道中传播会受到严重干扰。为了提高短波通信传输信息的可靠性,本文主要研究了短波多通道分集合并中的关键技术,包括短波通信系统中BW3突发波形的发送与接收、分集合并以及基于深度学习的LDPC码译码算法。首先给出了BW3突发波形的发送方案,包括循环冗余校验、卷积编码、交织、正交符号形成、PN扩展和8PSK调制等,重点研究仿真了接收端的维特比译码、解扩解调和分集合并技术,仿真表明,在低信噪比情况下,对接收信号进行相关解扩解调可以获得增益,很大程度降低了由于硬判决造成的误判。同时介绍了均衡前合并与均衡后合并两种方案,均衡前合并方案具有计算复杂度低,适合于大的分集支路数目的情况。根据仿真可知,对于BW3突发波形,采用均衡后合并方案,可以比均衡前合并方案多获得1.5d B增益。接着研究了神经网络与深度学习的相关模型和LDPC码软判决、硬判决算法。研究了神经网络的各种优化算法,在Momentum、RMSprop、Adam、Adagrad和Adadelta中,Adagrad和Adadelta的学习率可以自适应,不用手动调节。Adadelta、RMSprop和Adam,训练较深较复杂的网络时可以更快收敛。Adam就是在RMSprop的基础上加了Bias-correction和Momentum,随着梯度变的稀疏,Adam比RMSprop效果会好。仿真了LDPC码软判决和硬判决译码,从仿真结果可以得出,BP译码的性能优于BF译码性能,但算法复杂度高。上世纪80年代末,Bruck曾证明了神经网络与线性分组译码的关系,即最大似然译码等价于求解对应神经网络能量函数的全局最大值。LDPC码是一种低密度的线性分组码,因而可以使用神经网络的方式来进行译码。最后给出了一种基于卷积神经网络的LDPC码译码算法,该算法在每一层神经网络层后都添加了BN层,模型收敛快,并且预防了梯度爆炸的发生,最终在Tensor Flow平台上搭建模型并实现了功能。相对于BF算法,本算法在低信噪比时译码性能更好;相对于BP算法,本算法只需要花费前期时间训练模型,译码时间短。