作为一种高效信道编码,LDPC码（Low Density Parity Check Code）具有良好的纠错性能,其置信传播（BP）译码具有低复杂度优点,在通信领域得到了广泛应用。但是,在其Tanner图中,存在陷阱集问题,导致BP译码算法在译码过程中的性能曲线在高信噪比的区域出现平台状现象,即称为错误平台（error floor）现象,这一现象的出现使其在低误码率存储等领域中的应用受到限制。本文利用深度学习强大的优化能力,缓解短环结构带来的影响,实现LDPC高性能译码,提升纠错性能的目的。本文还研究了如何精简深度译码网络,实现低复杂度译码。本文首先将BP译码迭代过程映射成等价的深度神经网络,通过深度学习求解Tanner图中软信息传播权重,达到加快迭代收敛速度以及提升收敛性能的目的。这种神经网络译码器按Tanner图展开,并在变量节点与校验节点的消息传递过程中加入权重参数进行学习训练,得到消息传播处理参数的最优解,取得了很好的译码效果。信道噪声是影响解码性能的一个重要因素,本文引入去噪深度网络,与该神经网络译码器作为解码网络进行级联,通过联合训练与优化,降低噪声存在给译码过程带来的影响。去噪深度网络基于卷积神经网络结构加入残差结构改善了性能下降问题。通过多任务学习策略,去噪网络与解码网络的损失函数一起作为去噪解码网络结构的多任务损失函数,并使用比例因子进行平衡。实验证明,在AWGN信道中,该解码网络与去噪网络通过并行训练,两者的学习过程互相加强,去噪部分优化提高了解码部分的译码性能。为了进一步提高译码性能,通过不断增加解码网络隐藏层中权重参数数量以及神经网络规模的方式存在着复杂度较高的问题。解码深度网络学习参数偏多、复杂度高,给工程应用带来了巨大挑战,针对这一问题,实验过程中分析了解码网络隐藏层中权重参数的分布规律,在这一基础上提出了两种低复杂度神经网络译码器:基于变量节点权重共享和层权重共享的低复杂度译码器。实验结果表明,基于变量节点权重共享的译码器降低了50%的计算复杂度,两种低复杂度解码网络均降低了解码过程中的计算复杂度,保证了高译码性能,并且有效解决了现有的译码器仅支持中短码长的译码问题,在长码领域仍能够适用,同时储存负担相对更低并且更具备实用性。