通信系统中的信道编码系统通过对原始信息进行随机化并加入冗余信息的方式来增加信息传递的可靠性。过去的信道码译码算法多是通过纯粹的数学公式推导得出。由于如今人类掌握的数学工具的匮乏与计算机算力的限制,传统的信道译码算法往往需要对模型进行简化,对计算进行近似,这样处理的好处是在可接受的计算复杂度下完成译码,但同时也损失了准确度。当下机器学习算法在多种领域都有了可实用的表现,译码问题本质上可以看作是一个二分类问题来进行研究,其任务为将接受到的被信道污染的数据通过一个分类函数映射到0、1两个值上。本文研究内容为使用机器学习的方法对这个分类函数进行拟合,研究对象为5G通信中控制信道采用的polar码与4G通信中采用的turbo码。本文主要包括以下三点的创新:第一,针对现有polar码的SCL译码算法为串行译码算法,并行性较差的缺点,结合神经网络在层内可实现全并行的特点,本文提出一种针对polar码的全新的卷积神经网络译码器,该译码器利用polar编码时相异或的比特相关性更强的特性设计卷积核,使用七层神经网络可以获得与现有译码器相当的性能,但计算复杂度相比前人提出的全连接神经网络更低,且具有更强的泛化能力和更低的训练复杂度,能使用全连接神经网络千分之一的训练数据量获得与之相当的结果。第二,基于现有BP译码算法,结合循环神经网络,在BP迭代中引入隐藏参数权重,提出加权BP译码算法。本文提出的加权BP译码算法可以在10次迭代时达到传统BP译码50次迭代的性能水平,大大降低了多次迭代对BP译码算法造成的译码延迟。第三,结合BCJR译码算法中分量译码的思路,提出用两个相同结构的卷积神经网络拟合两个子译码器。分析turbo码中卷积编码器的编码过程,并据此设计卷积神经网络的卷积核。对比不同卷积核和卷积通道数对译码器性能的影响。