极化码是目前唯一被证明理论上能达到香农限的编码技术,由于其优异的编译码性能和较低的复杂度,具有极高的研究价值。在极化码常用的译码算法中,由于置信度传播(Belief Propogation,BP)译码算法具有复杂度较低,可以并行计算的特点,因此深受行业的关注。但是,BP译码算法性能相较于SCL译码算法仍有一定的差距。研究发现如果在BP译码之后将译错概率较大的信息位进行翻转,译码性能将会得到改善,因此选择合适的信息位至关重要。而深度学习拥有优异的学习能力,神经网络只需经过训练后就可以对新的数据进行处理,因此采用深度神经网络用于有效信息位的选择,这样可以有效提高选择的准确性进而提高译码性能。本文主要对基于智能信息后处理的BP译码算法进行研究,并提出基于奇偶校验后处理的BP译码算法,具体工作如下:论文首先提出了基于深度学习的智能后处理的BP译码算法,研究了极化码的编码和译码原理,分析影响极化码BP译码性能的物理参数,提取合适的特征。通过深度神经网络分类器将BP译码的输出数据分类为正确比特(即分类器认为该比特大概率为译对比特)和错误比特(即分类器认为该比特大概率为译错比特)两类,从错误比特类别中,选择最有可能错误的比特作为额外的冻结比特信息来纠正BP译码迭代过程中的残留错误,提高BP译码算法的译码性能。相比于BP译码算法性能上有0.4db的增益的提升,计算复杂度和能耗增加了22.83%。论文提出了基于奇偶校验后处理的BP译码算法,通过对信息位可靠性进行统计分析,得出了译码错误概率呈现阶梯下降的规律,并使用奇偶校验码对不可靠的比特进行校错来作为额外的冻结比特信息,相比于原始BP译码算法,该算法在高信噪比下性能上有0.4db的增益,性能达到了SCL(L=2)算法。