信息在数字通信的传输过程中,会受到噪声和干扰的影响,从而产生误码。通过信道编码技术,可降低上述影响,降低误码率。极化码是一种新型信道编码方法,已经被理论证实可以达到香农限极限。它具有编译码计算复杂度低、生成矩阵固定、误码率低等优点,已经被3GPP批准为5G控制信道纠错编码的核心编码技术。然而,极化码在短码下译码性能不高,而目前面向极化码所开发的串行消除（successive cancellation,SC）译码算法性能也不理想。因此,为进一步提高极化码译码性能,本文利用深度学习等技术对极化码译码进行了探索,并且提出了一种将神经网络译码与SC译码联合的方案,对改善极化码译码性能提供了新的思路。首先,介绍了极化码并分析神经网络算法特点,并创建了包含1.5×106条极化码数据的训练集和含2.5×105条数据的测试集,在此基础上,评估了前馈神经网络的译码性能,在低信噪比下前馈神经网络的译码性能不如SC,但是在高信噪比下优于SC,表明用神经网络对极化码译码可行。在评估的基础上,考虑到分组码的时间分集特性,并结合长短期记忆神经网络（long short-term memory,LSTM）链式环状结构特性和善于处理序列的特点,提出利用LSTM对极化码进行基于原始序列的译码方案。设定学习率为0.003,添加Dropout防止过拟合,采用Adam优化器等的情况下进行仿真实验,结果表明,在低信噪比下性能与SC几乎一样,中高信噪比下性能明显优于SC。为进一步提高SC译码性能,将LSTM译码结果与SC译码结果合并,提出联合译码算法。在SC译码结果的基础上,对于两者译码结果相异的位置,逐次进行单比特翻转,将其重新编码得到新的候选码字。以最大似然的等价指标相似度评估所有的候选码字的可靠性,等价于候选码字与接收向量间的欧氏距离,选择相似度最大的候选码字作为译码输出。仿真结果表明,与SC译码结果相比,该联合算法对译码结果相异位置的错误纠正率超过98%,误比特率逼近理论下界。