极化码是一种容量可达香农极限的构造性编码,目前已成为5G移动通信系统编码方案,是信道编码前沿领域研究方向。但是,极化码传统译码算法在纠错性能、译码时延等方面仍有待完善。当前在极化码深度学习译码算法的理论框架以及低复杂度、高可靠神经网络译码器的研究还远远不足。有鉴于此,本文在极化传输理论的基础上,研究了深度学习在极化码译码中的基础理论及关键技术。在此理论框架的指导下,本文从循环冗余列表SC算法理论与算法进行创新和改进,并在改进的CRC-SCL译码算法与神经网络耦合译码方面展开了全面研究,保证了极化编码高效、可靠的传输以及准确的译码。本文的工作主要包括以下几个方面:（1）本文对极化码相关理论框架进行研究,并对极化码译码算法实行仿真实验,利用SC译码算法,CRC-SCL译码算法对码长为128,256,512,1024,2048,码率为0.5,列表长度为4和32的情况下进行了仿真实验,实验结果表明,当极化码的码长越长时,CRC-SCL译码算法的误码性能更好。（2）将传统的CRC-SCL译码算法在理论算法方面进行改进,研究发现,在传统CRC-SCL译码算法译码过程中会出现两个问题,一个是在译码过程中,因为SCL译码算法会产生多条候选列表值,使得译码延时与译码复杂度较高,其次是在循环冗余过程中,部分码字译码时的度量值会因为运算错误造成度量值过大而被丢弃,造成译码错误,所以,针对上述两个问题,本文根据自适应搜索路径与路径修剪然后再进行循环冗余的办法进行改进,并从理论上验证了算法的合理性,通过数值仿真验证了该算法在误码性能损失很小的情况下能够显著降低译码复杂度。（3）本文在实验室深度学习机平台分别设计并训练了基于MLP,CNN,RNN,DNN,LSTM等译码器,并对各个网络所需训练参数和网络模型进行研究,对比在不同神经网络模型译码性能,通过对比实验结果得知,基于CNN的译码器在训练参数更少的情况下,可以获得最佳性能,鉴于此,本文选用CNN网络作为译码网络。（4）由于本文在训练神经网络时发现,训练集会因为信道中传递的码字信息过长而导致网络训练难度指数增长,使得译码时延较长,因此本文设计了一种极化码的分割神经网络译码算法。根据极化码的编码特性,将长码处进行模块分割,随后选择神经网络译码译码器耦合译码,所有子块根据码字信息位选择合适的神经网络进行译码,再使用改进的CRC-SCL译码算法耦合各个子块,从而完成译码。本文实现了码长为32、64和128,候选路径为32,码率为0.5的极化码的分块神经网络译码算法,并对长码处接收码字的位数比特错误进行研究,研究发现,在信噪比为2.0d B时,长码4096码字处发生3位和4位码字错误的概率为0,而发生2位码字错误的概率为4.1%,仿真实验数据表明,本文改进算法可以在牺牲误码率很小的情况下,降低译码复杂度,减小译码时延,提高整体译码性能。