随着人们对数据传输速率、传输可靠性的要求越来越高,能够大幅度提高无线通信系统的信道容量和传输速率、具有出色的抗多径干扰性能的正交频分复用调制（Orthogonal Frequency Division Multiplexing,OFDM）技术引起了广泛的关注。论文搭建了OFDM系统仿真模型,对系统常见问题进行分析,并针对这些问题采用了相应的算法进行仿真测试,对系统的整体流程做了深入研究。其中峰值平均功率比（Peak to Average Power Ratio,PAPR）过高的问题是 OFDM的一个主要技术阻碍,因此论文对峰均比抑制问题进行了着重的研究。目前人工智能技术已日益成熟,也逐渐用于解决各种通信问题。人工智能与传统通信技术的结合是新一代移动通信技术的主流方向之一。针对传统PAPR抑制算法存在的复杂度高、计算量大的共性问题,本文使用神经网络的方法,提出MTL-PAPR方案来进行PAPR的抑制。本文的创新工作有:（1）建立基于多任务学习思想的MTL-PAPR网络模型。若采用传统的单任务学习处理PAPR抑制问题,需要分别对峰均比的抑制和信号的恢复进行处理,将忽略两者之间存在的联系,因此想要达到PAPR值以及BER值均令人满意的结果,就需要利用多任务学习的思想建立网络模型,得到表现更好的网络架构模型;（2）基于选择性映射（Selected Mapping,SLM）算法进行MTL-PAPR网络模型的训练。在对PAPR进行抑制的传统算法中,SLM算法对PAPR的抑制性能好,但是计算复杂度高。作为训练样本信号,无需考虑它的获取速度,即不需要考虑获取它的算法的计算复杂度,因此使用对PAPR抑制性能很好的SLM算法来获取训练数据较为合适;（3）验证MTL-PAPR方案效果。在搭建完模型并进行训练后,对MTL-PAPR方案的PAPR抑制性能进行了验证,并将其与传统PAPR抑制算法的性能进行对比。通过仿真结果的对比分析,证明了 MTL-PAPR方案在损失较低误码率性能的情况下,能以较低的计算复杂度达到较好的PAPR抑制效果。与对PAPR抑制效果相近的SLM算法相比,MTL-PAPR方案的计算时间仅占其十五分之一左右。