正交频分复用(OFDM)是无线通信中常用的多载波调制方式,有着频带利用率高、抗多径衰落能力强等优点。峰均功率比(PAPR)高是OFDM系统的主要技术瓶颈之一,过高的峰均功率比会使得射频功率放大器工作在非线性区内,导致信号的非线性失真和功耗的急剧增加。本文针对OFDM系统的峰均比降低算法展开研究。首先从OFDM调制的数学模型出发,分析了OFDM信号峰均比高的原因以及影响峰均比的系统参数。结合各种经典的峰均比降低算法,深入探究了峰均比降低算法的本质,得出结论:峰均比降低的本质是通过各种形式的代价获得信号自由度的扩充,以构造峰均比更低的信号进行发送,而代价主要体现为系统的可靠性、有效性和复杂度。在理论研究的基础上,本文提出了两种基于机器学习中自编码器(AE)网络的创新算法。两种算法都能实现OFDM信号峰均比的降低,但两种算法在代价上各有侧重。基于深度自编码器的峰均比降低网络构建了编码网络和解码网络各6层的自编码器网络,以较高的复杂度为代价,保证了系统的有效性不出现损失;基于浅层自编码器的峰均比降低网络构建了编码网络和解码网络各4层的自编码器网络,并将隐藏层神经元数目降低为前者的一半,复杂度约为前者的10%。作为代价,浅层峰均比降低网络在OFDM频域信号中引入了一定的冗余。为了获得更佳的抗高斯噪声的能力,本文中采用的自编码器均为去噪自编码器。在网络训练过程中,在编码网络的输出中人为加入一定强度的高斯白噪声,能够显著提高系统的抗高斯噪声能力,获得更好的BER性能。经过实践证明,噪声强度过高会使得网络的收敛出现困难,噪声强度过低会使得网络抗高斯噪声能力不足,当解码网络的输入信噪比在20d B～30d B之间时,能够得到较好的误比特率(BER)性能。本文对不同参数下的算法性能进行了针对PAPR性能和BER性能的仿真。仿真结果显示,在高斯信道下,两种算法相对于经典算法都有着较好的PAPR性能和BER性能。在25%的冗余度下,浅层峰均比降低网络的PAPR性能和BER性能都要略好于深度峰均比降低网络。但在多径衰落信道下,以莱斯信道为例,两种算法的BER性能损失比原始OFDM信号更为明显。