在未来万物互联的时代,存在海量机器类通信应用需求,这些应用的特点是数据量小,但对延时和可靠性有着严苛的要求,迫切需要短码长、高性能信道编码方案。Polar码是近年来新出现的一种性能优异的信道编码技术,由华为公司提出的一种Polar码方案已经被3GPP批准为5G控制信道纠错编码方案。另一方面,由于其在图像识别、自然语言处理等领域表现出的优异性能,深度神经网络正在向更多的学科领域渗透,并且都取得了令人鼓舞的结果。将深度学习技术应用于Polar码译码,探索其可行性及潜在的性能增益,具有重要的理论意义和应用价值。本文对信道极化的原理,以及主流Polar码编码、译码方案做了深入研究。分析了现有的Polar码编译码算法及其存在的问题,在此基础上,提出了一种基于卷积神经网络(CNN)的多天线(MIMO)Polar码联合解调-解码方案。搭建了一个包括四个卷积层、两个全连接层和一个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机产生了海量Polar码编码的多天线数据对所设计的卷积神经网络进行训练,最终得到可以准确反映Polar码比特间关系特征的神经网络。仿真结果表明,在相同信噪比条件下,基于CNN的Polar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;本文所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力。