近年来,在计算机强大运算能力的辅助下,深度学习越发完善并成功应用在社会生活的多个领域。通信领域的研究学者们致力于使用深度学习来改善传统通信算法的局限性,以降低端到端的传输时延和提高信息传输的准确性。低密度奇偶校验码（Low-Density Parity-Check,LDPC）与深度学习融合的译码模型受到了广泛关注和研究,此类方法能够取得比传统译码算法更优越的性能。本文围绕深度学习辅助的LDPC码译码做了以下工作:（1）根据LDPC码的最小和译码算法,提出了一种基于深度学习的归一化最小和译码模型和一种基于深度学习的偏移量最小和译码模型。为了使译码模型的性能更好,使用层内参数共享和层间参数共享的方式训练模型。此外,还将深度学习译码模型用于相关高斯信道的研究,以改善有色噪声削弱LDPC码性能的问题。由于LDPC码每次迭代结束后均可进行译码判决,本文对译码模型的损失函数进行了优化。实验结果表明,偏移量最小和译码模型优于传统最小和算法,且优于归一化最小和译码模型;层内参数共享的偏移量最小和译码模型拥有更加优异的译码性能,且该模型有效降低了噪声相关性对LDPC码译码的影响;损失函数优化后的译码模型相较于原先的译码模型有性能增益。（2）最小和译码算法的泛滥式消息传递机制导致节点信息的更新存在滞后性,而分层调度方式的译码算法信息传递更具实时性,据此本文提出了一种归一化分层最小和译码模型和偏移量分层最小和译码模型,并使用层内参数共享的方式训练模型。实验结果表明,该类译码模型相较于传统调度方式的译码模型拥有更优异的译码性能。（3）为进一步提升神经网络译码模型的性能,使用卷积神经网络对输入层数据进行噪声过滤,提出了一种“去噪”网络辅助的LDPC码译码器。为了探究“去噪”网络提取相关噪声数据特征的能力,对比分析了不同噪声相关系数下LDPC码的译码性能,并得出结论:噪声相关性越强,“去噪”网络过滤噪声的能力越强,译码器的性能增益越大。