随着现代通讯技术的发展,现代社会对数据通信提出了更高的要求。卷积码一直被广泛地应用在各种数字通信系统中,在LTE系统中咬尾卷积码也作为信道编码方案之一。而传统译码算法中具有高时延、低吞吐率的特点,且无法做到并行译码。本文基于卷积神经网络和递归神经网络的特点,分别对卷积码的译码性能、并行译码可行性进行研究。本文的主要工作如下:1.设计并实现了一种基于卷积神经网络的卷积码译码模型。由于卷积码的码字的每一位和前后的几位存在相关性,提出了两种对接收到的码字信息构造神经网络输入的方法,并对卷积神经网络采用滑动窗口机制进行译码。仿真实验表明,无论卷积码约束长度的大小,具有一定深度的卷积神经网络均能学习到卷积码码字的映射关系,对于归零卷积码而言其性能与维特比译码存在一定差距,但优于信息序列长度较短的咬尾卷积码的维特比译码的性能,并且基于滑动窗口译码机制的神经网络译码模型可以实现并行译码,降低译码时延、提升吞吐率。2.由于递归神经网络是一种具有时序特性的神经网络,考虑到卷积码码字前后具有关联性,设计并实现了两种基于LSTM的神经网络译码模型。其中一种模型是将接收到的码字序列全部输入到神经网络中,在（7,5）8卷积码中可以获得与维特比译码算法相当的性能,但随着约束长度的增大,其译码性能不如维特比译码算法。另一种模型是将接收到的码字序列进行切分,基于滑动窗口机制分别输入到神经网络中进行译码,该模型相比前一种模型拥有更强的适应能力,不会随着约束长度的增大而发生性能下降。3.根据神经网络降噪的有关研究,设计并实现了两种基于神经网络降噪的维特比译码模型,研究并分析了卷积神经网络降噪和递归神经网络降噪的性能差异,并基于降噪网络对维特比硬判决译码和对维特比软判决译码进行了仿真和性能分析,仿真实验表明基于降噪网络的维特比软判决译码算法的性能提升极小,而对于维特比硬判决译码算法的提升较大。