复杂电磁环境下的卫星通信链路受到来自低轨卫星或地面站的特定干扰后，会降低其通信的有效性和可靠性。因此，在干扰存在的情况下提高通信的可靠性和有效性是卫星通信领域的研究热点和难点问题。本文从深度学习的角度入手，把深度神经网络结构与LDPC码的并行迭代译码结合起来，来研究在音调干扰信号存在的情况下基于神经网络的译码算法。
　　本文首先对音调干扰信号进行了分析，并研究了音调干扰信号的时域特征以及频域特征，建立了音调干扰信号的数学模型。介绍了LDPC码的基本概念和置信传播译码算法原理，并分析了音调干扰信号对LDPC码译码算法性能的影响。实验结果表明，音调干扰信号影响LDPC码译码算法的译码性能。
　　然后从深度学习的角度入手，将深度神经网络结构与LDPC码的迭代译码算法结合起来，验证所搭建的神经网络结构进行LDPC码译码的可行性。从神经网络输入输出的关系与LDPC码中Tanner图中变量节点和校验节点的关系之间相对应提出了多层感知机网络结构，用生成的数据样本对网络结构进行了训练和测试，分析隐藏层数的不同对LDPC码译码性能的影响，确定性能比较好的基于多层感知机神经网络的译码结构。实验结果表明该网络结构译码的可行性，并且在音调信号干扰存在的情况下，与置信传播译码算法相比，基于多层感知机神经网络的LDPC码的译码性能比较好。
　　最后，根据其译码的本质类似于分类的过程我们提出了卷积神经网络。搭建了基于卷积神经网络的LDPC码的译码结构，验证了不同的卷积层数、不同的卷积核的大小对LDPC码译码性能的影响，确定性能比较好的网络结构。并验证了在音调干扰信号存在的情况下，卷积神经网络译码的译码性能要好于置信传播译码算法。多层感知机神经网络和卷积神经网络这两个结构进行译码不仅降低了LDPC码译码的复杂度还具有很好的译码性能。最后并对比分析了这两种神经网络进行LDPC码译码所适用的不同场景。