安全性是通信网络的基石,也是衡量通信系统性能的重要指标。与传统的通信网络相比,电力线载波通信网络面临更加严峻的安全威胁。传统的加解密算法和上层安全协议无法满足人们对电力线载波通信安全性能的需求,由此针对提高电力线载波通信物理层安全性能的研究需求便应运而生。本文旨在通过研究电力线载波通信协作中继的窃听信道模型、最优功率分配策略和最优中继链路选择策略来提高电力线载波通信物理层的安全性。首先,根据Wyner物理层安全模型,建立含有人工噪声的四节点窃听信道模型,分析中继节点、合法的目的节点和窃听节点接收到的信号,通过目的节点和窃听节点的接收信噪比计算瞬时信道保密容量,依据电力线信道对数正态分布的特性,通过矩量母函数的性质计算平均信道保密容量,仿真人工噪声及窃听节点和中继节点的距离对平均信道保密容量的影响,分析人工噪声对物理层安全性能的影响。其次,在通信系统的节点功率分配问题上,传统的功率分配方法容量导致效率低下,优化功率分配策略可以提高瞬时信道保密容量。电力线窃听信道模型的功率优化问题是一种非凸优化问题,本文提出一种基于全连接神经网络的功率优化策略,通过拟合信道系数与源节点、中继节点和人工噪声的功率分配之间的非线性关系优化功率分配。结果表明随着信道系数的变化,按照神经网络的预测值分配功率,可以保证最大的瞬时信道保密容量。最后,针对电力线多中继窃听信道模型的中继选择问题,本文提出一种基于卷积神经网络的中继选择算法,以各中继链路的信道系数二阶张量为输入,中继选择标签为输出,训练卷积神经网络,选择瞬时信道保密容量最大的中继链路。该算法将中继选择问题转化为分类问题,直接通过卷积神经网络求解分类问题,大大简化了计算量,本文搭建的基于1*3卷积核的卷积神经网络选择最优中继链路的准确率高达96.7%。本文的理论分析通过Python语言仿真及tensorflow2.1深度学习框架得到验证。