正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)由多载波调制技术发展而来,是一种并行高速传输技术,具有频谱利用率高、抗干扰能力强等特点,因而被广泛用于现代无线通信中。在OFDM中,存在相位相同或相近的子载波,其叠加信号受到相同初始相位的调制,会出现较大的峰均功率比(Peak-to-Average Power Ratio,PAPR)。高PAPR问题使得OFDM信号功率峰值容易超出发射端功放的线性区,此时经过放大的信号会产生严重的非线性失真,造成载波间干扰以及带外频谱扩展,极大地影响了OFDM系统的通信质量,因此如何降低OFDM系统中的PAPR始终是一个热点问题。传统的PAPR抑制技术主要分为三类,分别为预畸变技术、编码类技术、概率类技术。虽然三类技术可以显著的降低OFDM系统的PAPR,但是都存在一些难以克服的问题。随着近年来人工智能技术尤其是深度学习技术在各领域的广泛应用,为了解决上述传统算法存在的缺陷,进一步提高PAPR抑制算法的性能,人们开始将深度学习技术应用到的PAPR抑制算法中。本文主要对OFDM系统中的传统PAPR抑制算法和基于深度学习的PAPR抑制算法进行了研究。在介绍OFDM系统的基本原理和深度学习相关理论的基础上,对传统PAPR算法中的限幅法、选择映射法(Selective Mapping,SLM)、部分序列传输法(Partial Transmit Sequence,PTS)以及星座图扩展法(Active Constellation Extension,ACE)进行了仿真分析,总结了每种算法的优缺点。在对基于深度学习的PAPR抑制算法研究过程中,首先介绍了基于自编码器(Autoencoder)的PRNet结构,该方案使用深度神经网络(Deep Neural Network,DNN)构建编码器与译码器,分别置于发射端与接收端,代替传统通信系统中的星座调制、解调模块,仿真结果显示PRNet具有较好的BER性能与PAPR性能。由于该方案只适用于单天线OFDM系统,本文提出了两种改进方案,使得其可以应用到多输入多输出(Multiple Input Multiple Output,MIMO)系统中。本文主要贡献总结如下:(1)提出了一种基于分布式自编码器的PAPR抑制方案Multi AE,该方案在发射端为每路发射信号均配置一个基于卷积神经网络(Convolutional Neural Network,CNN)构建的编码器,在接收端配置相同架构的、相同数量的译码器。发射端已调信号被分离为多路信号之后分别作为各编码器的输入,将各编码器的输出分别进行OFDM调制,得到MIMO系统的发射信号;接收端对接收信号进行信号检测、OFDM解调之后再将各路信号分别作为各译码器的输入,将所有译码器的输出合并为一路信号,经过星座解调之后得到重构信号。模型构建完成之后,通过两阶段训练的方式先将BER性能优化至最佳,再以少量BER性能为代价换取PAPR性能。(2)考虑到Multi AE的结构较为复杂,提出了一种简化方案CNN-AE。在CNNAE中,在发射端对信号进行分离之前放置基于CNN构建的编码器,将已调信号作为编码器的输入,将编码器的输出分离为多路信号并分别进行OFDM调制;在接收端对接收信号进行检测、OFDM解调之后放置译码器,将接收端经过OFDM解调之后的多路信号合并为一路作为译码器的输入,对译码器的输出进行星座解调得到重构信号。与Multi AE相比,CNN-AE的网络规模更小,计算复杂度更低。相比于PRNet,上述两种方案能够利用星座调制的抗噪能力,且使用参数复用能力较强的CNN构建自编码器,减小了网络规模。仿真结果显示,对模型进行充分训练之后,Multi AE与CNN-AE都能够在保证接收端BER性能的同时显著降低发射信号的PAPR。其中Multi AE第一阶段训练完成之后BER性能更好;CNN-AE第二阶段训练的收敛速度更快,PAPR性能提升幅度更高。