极化码是一种可以逼近信道容量的信道编码方法，并被用于5G增强移动带宽控制信道的差错控制。极化码通过计算信道转移概率，区分出信道容量趋近于1与0的信道，分别用比特位和冻结位，使得编码数据具有较好的纠错性能。本文主要围绕极化码的译码问题，分别对Polar码的SCL译码算法、BP译码算法进行了改进，还尝试用神经网络机器学习方法来实现Polar码的译码。主要工作如下：
　　一、针对传统的SCL算法，提出了自适应列表长度的SCL算法。该方案根据译码过程中对数似然比分布以及不同信噪比条件下的自适应调节列表长度，在译码置信度较高时降低列表长度，以减少冗余计算，而在置信度较低时增加列表长度减少误码率。仿真结果表明，所提算法计算复杂度和误码率性能都优于传统SCL译码算法。
　　二、针对Polar码的BP译码算法，提出一种基于置换因子图结构的改进算法。该算法将因子图的上下两部分分别独立地进行置换操作，增加了置换因子图的可选方案，使得所选的最优置换方式可以获得更高的译码性能。实验结果表明，所提算法在不增加计算复杂度的基础上降低了误码率。
　　三、针对基于神经网络的Polar码译码算法，通过改进神经网络的损失函数，提出了一种改进的Polar码神经网络译码算法。改进方法将训练过程中译码结果的损失函数值乘以由误码率性能决定的对应权重，从而更好的模拟了Polar码的译码特性。实验结果表明，所提算法可以在不增加计算复杂度的基础上降低了误码率。
　　四、尝试用学习能力更强大的循环神经网络机器学习方法来实现Polar码的译码算法。在循环神经网络输入端输入接收信号，用真实的编码数据来训练，可以使得突破最大似然的误码率性能。并利用注意力机制加强输入与输出之间的关联性，实验结果表明所提的译码算法相比较传统的神经网络译码算法有明显的误码率性能改进。