随着互联网业务的迅速增长和通信技术的不断发展,人们在生活中越来越难以离开即时在线通信。而通信过程中信道一般是随着时间改变的,从而增加了通信体制中自适应信道技术的需求,而传统通信技术在信道变化剧烈的场景下难以及时适应信道。一方面,人工智能在通信领域的研究愈发深入,其中端到端（End to End,E2E）的自编码器系统解决了传统通信系统分模块设计导致的局部优化问题,可以达到系统整体的最优性能,但是只能适应固定的信道,具有局限性;另外一方面,元学习（Meta-learning）使神经网络学习到不同信道的任务分布,能够适应变化的信道。因此,可以将元学习融入到自编码器中,满足信道自适应的需求,有效地对复杂信道进行学习和适应,突破传统通信算法面对现实复杂信道表现不佳的局限性,具有很大的现实意义。本文首先对深度学习和通信自编码器的基础理论进行了介绍。以端到端的编码器和译码器分别代替传统通信结构中的发射机和接收机,为了验证自编码器的性能,使用全连接层设计了一个经典的网络模型,对该网络进行了AWGN信道下的训练和测试,经过与传统通信系统的对比,得出端到端的自编码器可以实现传统通信系统的调制解调功能的结论;并指出该自编码器不能适应复杂信道的局限性,主要原因有两个,其一是网络模型较为简单,无法充分表示信道特征;其二为训练方法受限,不能有效地提取不同信道的特征。然后,本文在介绍元学习原理和三种经典算法MAML、Meta-SGD和Reptile算法的基础上,设计了一个基于元学习的通信自编码器系统模型,并对此模型的网络结构、信道条件、任务分布和离线训练以及在线微调算法进行了系统性设计。经过对此系统分别在固定信道与不同信道条件下的误码性能的仿真,得出了此系统可以适应信道的结论。之后,对该系统的接收机进行基于FPGA的硬件实现。在推导该模型的前向传播和反向传播公式之后,对FPGA的框架进行设计,并基于Vivado开发套件进行了对接收机的硬件实现和优化。经过对该接收机的性能评估,证明了其资源利用率和能量效率达到较好的性能指标,其模型测试精度和微调性能也有比较可靠的保障。最后,进行了全文总结,并指出本文提出的元学习和通信自编码器结合及其硬件实现的研究中需要改进的地方和未来研究方向。