下一代无线通信系统将会是超快速,超低延迟以及超可靠的。由于低密度奇偶校验（Low-Density Parity-Check,LDPC）码译码复杂度低,误码平层低,能够高速并行运算,因此在未来通信系统中将拥有巨大发展潜力和广阔前景。在高斯噪声下LDPC码的置信传播（Belief Propagation,BP）译码能达到接近香农极限的性能。和积（Sum-Product,SP）算法和由其简化的最小和（Min-Sum,MS）算法是最常见的BP译码算法。MS算法节点计算简单因此更加适合硬件实现,且其性能损失可以通过修正节点信息弥补从而逼近SP算法。在硬件实现中往往还需要量化节点消息以减小能耗和存储成本,但是会产生量化噪声从而削弱译码性能。为了提升量化性能,本文通过自适应的方法使量化步长适应节点信息以减少量化误差。仿真结果表明自适应的量化方法能提高译码性能。通过联合优化修正因子和量化步长,可以进一步提高量化译码性能。然对于多个参数的联合优化,难以设计有效的自适应方法。本文介绍了密度进化的方法。密度进化的方法计算理论的误码概率并用启发式算法搜索使得误码概率最小的最优译码器参数。这意味着该方法的效果取决于搜索算法的鲁棒性和有效性,随着参数的增多,难以设计有效的搜索算法。此外,由于需要满足独立性和对称性条件,因此密度进化的方法的适用条件有所限制而与现实场景不符。为了克服上述问题,我们提出基于深度学习的LDPC译码方法。该方法能以相当低的网络复杂度优化参数。仿真结果显示在高斯白噪声信道下深度学习方法的译码性能超过传统自适应方法和密度进化方法,且能在四比特量化的情况下接近无量化的译码性能。另外,在不同信道噪声下比如瑞利衰落信和高斯相干信道下也能取得优异译码性能。