随着时代的发展,5G通信的到来,通信传输的业务需求以及质量保障不断推进,对通信数据传输过程信息的质量和传输速度提出更高的要求。BCH码作为线性分组码中一支重要的组成部分,具有纠错能力强、编码方便、结构简单,在中短码长性能表现优越等优点。然而,传统的译码方法迭代次数高,时延长、吞吐量小,不能并行的特点已经不能满足当今时代数据传输的需求。本文以二元BCH码为标准,主要研究基于深度神经网络的BCH码的译码方法。本文的主要工作包括:(1)、本文针对BCH码的数据集特点,提出基于深度神经网络的多分类译码模型和多标签分类译码模型。这两者模型利用神经网络强大的函数拟合能力对带有噪声的BCH码进行分类,将BCH的译码过程分别作为多分类任务和多标签任务来处理。仿真实验表明,在码率较小时,深度神经网络多分类译码模型优于传统的BM迭代译码算法。(2)、当码率较大时神经网络分类译码模型性能没达到预期,比不上传统迭代译码算法的性能。为了解决这个问题,本文结合神经网络和K-近邻算法,提出了一种新的译码算法DKNN,目的是将神经网络没有把握预测的样本交给K-近邻算法进行处理。仿真实验表明,码率较大的情况下DKNN算法与传统迭代译码算法相比较,DKNN算法具有更好的性能。(3)、信息位的码字种类随信息位的增加而呈指数级增长。当BCH码的信息位增加时,深度神经网络计算量以及存储空间增大导致网络学习困难。为了解决码字较长的BCH码,本文提出采用集成思想来对码字较长的BCH码进行译码。集成译码旨在训练若干个子分类器,在译码阶段通过收集子分类器的输出,根据投票统计决策出最后的译码结果。仿真实验表明,当BCH码码字较长的情况下,该集成译码算法能够以比较小的代价进行分类译码,并且有着比较好的译码性能。