极化码因其特有的递归结构特性以及较低的编译码复杂度,在通信领域备受关注。在其译码方面,连续删除（Successive Cancellation,SC）译码的改进算法性能很好,但因其固有的串行结构,对于较长码字而言,其时延和吞吐率并不满足高速通信的要求,因此其在5G通信中只适用于短码场景。由于神经网络强大的学习能力及离线操作,在目前的研究中已经提出将各种类型的神经网络和极化码相结合,来改善译码性能和时延。然而,由于网络规模问题,针对较长码字的神经网络译码器性能还有待进一步研究。本文首先应用多层感知机（Multilayer Perceptron,MLP）、卷积神经网络（Convolutional Neural Network,CNN）、长短时记忆网络（Long Short Term Memory,LSTM）和门控循环单元（Gated Recurrent Unit,GRU）直接作为译码器对极化码进行译码。主要基于以下六方面:激活函数、损失函数、优化函数、层节点数、信噪比及卷积网络特有的卷积核的大小进行探索。实验结果表明在码长为N=16,信息位长度为K=8的情况下:（1）在激活函数方面,ReLU激活函数适用于MLP、LSTM和GRU,Swish激活函数更适合于CNN;（2）在损失函数方面,binary＿crossentropy适合作为MLP和CNN的损失函数,log＿cosh适合作为LSTM的损失函数,MSE适合作为GRU的损失函数;（3）在优化函数方面,Adam或者Nadam适合作为MLP的优化函数,RMSprop适合作为CNN和GRU的优化函数,Nadam适合作为LSTM的优化函数;（4）在层节点数方面,综合考虑译码性能、参数量、计算成本的情况下,对于MLP隐藏层和CNN卷积层节点数而言,当三层节点数分别为[256,128,64]时性能最佳;（5）在信噪比方面,训练集信噪比0d B适用于MLP网络,2d B适用于CNN网络,1d B适用于LSTM网络和3d B适用于GRU网络;（6）在卷积核大小方面,对于CNN三层卷积核数目分别为[256,128,64],卷积核大小分别为1×4时性能最佳。此实验仿真结果表明基于最佳参数的四种网络译码器的性能均优于SC译码。其次本文深入研究基于较长极化码的神经网络译码器,将MLP神经网络和SC译码算法相结合。对于长码而言,根据SC译码算法的结构图,将其进行分块处理,分成几个短码进行译码。同时,利用前文选择的最佳参数的MLP神经网络替代SC译码块。实验结果表明N=32,K=16和N=64,K=32的MLP-SC的译码性能比传统的SC译码性能有所提升。最后本文通过增加网络层数来提高整个网络的学习能力,提出将残差网络和MLP-SC相结合的译码器Res Net-MLP-SC。目的是利用残差网络的快捷连接,使神经网络能够在层数增加的情况下,码字信息在传递的过程中尽量不丢失,很好地解决网络性能退化的问题,使得网络能够表现出较好的译码性能。实验结果表明N=32,K=16和N=64,K=32的Res Net-MLP-SC的译码性能,比MLP-SC在对应码长的情况下译码性能要略好。经过综合分析,得出Res Net-MLP-SC的译码性能比SC译码性能整体上约有0.25 dB到0.35dB的增益。