极化码由土耳其毕尔肯大学的Ar（?）kan教授于2009年首次提出,是一种理论上被证明可达信道容量的编码方案。对于极化码的译码方案,有两种主流算法,连续删除（Successive Cancellation,SC）译码算法和置信传播（Belief Propagation,BP）译码算法,但是这两类算法都受限于译码性能与时延问题,不能满足下一代通信系统对高速率、低时延的要求,所以就需要探索一种译码新思路。与此同时,随着深度神经网络（Deep Neural Network,DNN）的迅猛发展,神经网络在众多领域都取得突破性的成就,引起了学者们的广泛关注。鉴于一般的信道译码问题能够看作是一种分类问题,所以考虑将神经网络理论应用到极化码译码,是非常具有理论价值和实际意义的。本文将神经网络模型与极化码译码相结合,实现不同的极化码神经网络译码器模型,进一步分析神经网络译码的影响因素,最后设计改进的神经网络译码器以提高译码性能。主要内容如下:1.基于传统神经网络译码架构,实现了多层感知机（Multilayer Perceptron,MLP）译码器,卷积神经网络（Convolutional Neural Network,CNN）译码器,长短期记忆网络（Long Short Time Memory,LSTM）译码器,设计了门控循环神经网络（Gated Recurrent Unit,GRU）译码器,以及残差网络（Residual Networks,Res Net）译码器。然后在有噪无噪两种情况下,分别用五种神经网络译码器对不同码长的极化码进行译码性能仿真。经过分析得出每种神经网络译码器由于学习能力有限都有一个译码的饱和码长,对于MLP与CNN译码器的饱和码长为16,LSTM,GRU,Rest Net三种译码器饱和码长为32。在有噪情况下,小于这个饱和码长且训练集占比为100%时才可以有效译码,并且误码率（Bite Error Rate,BER）接近最大后验（Maximum a Posteriori,MAP）译码。通过与传统译码算法的译码时延对比,神经网络译码器不仅在译码性能上表现良好,并且相比传统的SC,BP译码在译码时延上更具优势。2.基于神经网络在无噪情况下的泛化能力设计了改进的MLP-GRU译码器。MLP-GRU译码器成功改善了GRU译码器对码长为32的极化码的译码性能,并且在训练集占比较高时能够接近MAP译码性能。MLP-GRU译码模型提升了GRU译码器在有噪情况下的泛化能力,只需要通过学习占全部数据集9%的小规模数据便可学习到译码规则,使神经网络对于更长的极化码的准确快速的译码成为可能。接下来为了解决相干噪声信道下传统SC译码性能差的问题,设计了神经网络与传统译码算法相结合的级联GRU-SC译码器。本文在四种不同的噪声相干性情况下使用码长为64的极化码分别对GRU-SC译码器与传统SC译码进行译码性能对比,在两种译码模型性能差距最大的噪声相干性下,当BER为0.02时GRU-SC译码器相比传统SC译码器有大约2d B的性能增益。GRU-SC译码器突破了单一神经网络的维度限制问题,并显著提升了在相干噪声下的极化码译码性能。