第五代移动通信技术由于其具有满足海量数据的传输的特性,成为了实现万物互联的关键技术之一。而信道编码技术作为其中对抗信道传输干扰的重要手段,编码的性能直接影响了通信领域中的信息传输速率。Polar码作为一种发展时间较短的码字,在第五代移动通信技术的标准制定中成为其增强移动宽带（Enhanced Mobile Broadband,e MBB）应用场景下的短码标准。通过研究发现,虽然Polar码在特定的条件下能够被证明了可以达到香农限,但是在中短码长的情况下,仅使用传统的接续消除（Successive Cancellation,SC）译码算法的译码性能尚无法达到第五代移动通信技术的需求。使用翻转SC（Flip-SC,SCF）译码算法能够提升SC译码算法译码性能,但该算法存在两个明显的问题,一是确定翻转集的方法暂无最优解,二是仅能在译码结束时进行循环冗余校验（Cyclic Redundancy Check,CRC）校验,会造成无法提前检测译码错误而造成译码复杂度提高的问题。针对这两个问题,本文分别提出了基于机器学习的多翻转SCF（Machine Learning based Multiple SCF,ML-MSCF）译码方案和分段SCF（Segmented SCF,SSCF）译码方案,并将机器学习引入SSCF译码方案,提出了基于机器学习的多翻转SSCF（Machine Learning based Multiple segmented SCF,ML-MSSCF）译码方案。为了解决SCF译码算法无法找到最优的翻转集的问题,本文提出了ML-MSCF译码方案。该方案不仅能利用长短期记忆（Long Short-Term Memory,LSTM）网络识别译码中首个错误比特位置,并且创新性的结合了强化学习（Reinforce Learning,RL）实现多比特翻转的操作,从而进一步提升SCF译码算法的译码性能。通过对该方案的复杂度以及性能进行仿真分析,验证了ML-MSCF译码方案能够以较低的复杂度为代价获取较大的性能增益。针对SCF译码算法仅能在译码结束时进行CRC校验的问题,本文提出了SSCF译码方案,通过分段的方式使得CRC校验比特能够在译码过程中发挥作用,起到提前检错的作用。并延用ML-MSCF译码方案的思想提出了ML-MSSCF译码方案进一步提升SSCF译码方案的性能。本文结合ML-MSCF译码方案仿真结果对比分析表明,SSCF、ML-MSSCF方案可以获得更高的译码性能增益。