本文提出了一种新型的数据驱动的交替方向乘子法(ADMM)框架。该框架是以对目标函数的一系列修改为基础的。本文替换了在在常见的ADMM框架中所经常采用的使用一个标量类型的超参数来控制正则项大小的方法,将控制正则项的超参数扩展为一个向量,这使模型具有更大的灵活性和非线性性。基于向量的惩罚参数可以允许被惩罚的向量中的不同位置的元素受到不同力度的惩罚,在很多情况下这可以提高系统性能。然而这样的替换方式使得模型中的超参数难以通过某些启发式方法确定。传统的做法比较简单,是通过不断尝试使用不同的常数惩罚参数值,并选择一个好的参数固定下来。但是在本文向量惩罚参数的情况下,由于惩罚超参数是向量,通过尝试的方法最多只能确定其中一维,而惩罚参数中的元素组合可以是无限多的,因此无法找到合适的超参数,并且我们也无法直观确定哪种惩罚超参数可能是有利于系统的。为了获得适当的模型参数,本文设计了一种数据驱动框架,旨在让使模型从数据中自动学习参数而避免通过先验知识设计超参数。该框架吸收了机器学习算法的一些重要思想,并且在多种情况下具有自适应性和鲁棒性。整体来说,该框架可以以机器学习的方式协助解决约束最优化问题。本文所提出的框架的结构与神经网络有一些相似之处,只是它使用特定的计算层使得模型是可分析的。因此本文对所提出的模型和神经网络的结构做了一个简单比较,本文的模型可以看作是一个精心设计的类似神经网络的结构,而其构造方式却又十分简单。我们首先在解码问题上测试了此方法的可行性,使用了5G中采用的纠错码,包括LDPC码和Polar码,因为对Polar码的传统译码算法为串行抵消算法,本文也提出了能将Polar码转化为线性规划译码的方法。本文使用一种通用建模方法将解码问题重新构造为约束优化问题,并使用数据驱动ADMM对其进行求解。仿真结果表明,数据驱动的ADMM框架大大提高了经典ADMM算法的性能。