可见光通信技术作为下一代移动通信网络的关键技术,解决了传统移动通信中存在的频谱受限的问题,并且数据传输速率可以达到百兆级。但与射频通信技术相似,可见光通信系统中同样存在着非线性失真。非线性失真会使得发送信号与接收信号呈现出非线性关系,从而在接收端对信号解码时会产生较高的误码率。论文针对发光二极管(Light Emitting Diode,LED)的非线性失真,提出使用机器学习方法对LED的非线性失真进行补偿的方案,具体内容如下:首先,介绍了可见光通信系统的模型。其中,比较详细的介绍了可见光通信系统中的基带调制技术(Multiple Quadrature Amplitude Modulation,MQAM),正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术,两种常用的削波方法。并针对LED的非线性特性,给出了几种经典的LED数学模型。其次,在总结现有的LED的后失真补偿技术的基础上,提出了基于BP(Back propagation)神经网络的后失真补偿技术,以及基于支持向量机(Support Vector Machine,SVM)的后失真补偿技术。后失真补偿技术是通过在接收端增加一个后失真模块,通过拟合出LED的反向特性曲线对接收到的信号做补偿,从而使得经过补偿的信号与发送端经LED发送之前的信号呈线性关系,以有效地降低解码的误码率。仿真结果表明,上述两种机器学习方法可以有效地对LED的非线性失真作出补偿。最后,在研究后失真技术以及总结前人方法的基础上,提出了基于BP神经网络的预失真补偿技术。与后失真技术不同的是,预失真补偿的对象是将要对LED产生激励的信号,即在发送端增加一个非线性失真模块,对发送端信号进行补偿。同样的,仿真结果表明该方法同样可以有效地抑制LED的非线性失真,从而降低接收端的误码率。