在通信技术的发展历程中,计算机仿真一直发挥着非常重要的作用,仿真已经成为通信技术研究、设计与开发必不可少的工具。随着通信系统越来越复杂,传统的仿真方法也越来越难以满足要求,迫切需要研究新一代高效率仿真技术。另一方面,机器学习近年来迅速发展,在包括计算机视觉、自然语言处理、数据挖掘等在内的许多领域显示出了强大的效果。在通信领域,机器学习也展现了它的强大之处。在此背景下,本论文研究基于机器学习的链路级仿真技术,以期获得更高效、更准确的仿真方法。具体来说,在无线蜂窝网络系统中的仿真中,链路级抽象的准确度对系统级仿真结果的可信度有重要影响。在现代的蜂窝网络中,导致链路层译码错误的因素不仅仅是高斯噪声,还包括许多复杂的干扰失真因素,物理层的信道特性也呈现出显著的差异性。在此情形下,传统的链路层抽象技术已经难以满足要求。本论文运用机器学习的方法,研究链路层的仿真,以寻求更好的链路层抽象方案。论文主要工作如下:1.搭建了采用LDPC编码的链路级仿真平台,完成了 LDPC编译码、高阶调制及软解调、不同信道配置、EESM映射等的代码实现。2.提出了一种基于MLP模型的译码器抽象方法,该方法将译码器输入的LLR向量压缩为3个特征量,用机器学习方法判断实际译码器能否成功译码。与EESM相比,准确度显著提高;3.针对独立信道和相关信道,分别提出了基于SAE模型和RNN模型的译码器抽象方法,该方法无需已知发送码字,以全LLR向量为输入,可以进一步提到译码结果判断的准确度。