量子计算相较于经典计算在一些难题上表现出来的高效的计算能力,吸引了许多学者们的关注,迅速成为时下的研究热点。但在量子计算过程中,难以避免会受到量子噪声的干扰,为解决这个问题,量子纠错码技术应运而生。稳定子码是一类广泛应用和研究的量子纠错码,但稳定子码的译码问题一直以来都是个难题,目前比较活跃的研究领域是那些具有代数结构的码,其中,拓扑码独特的编码结构,使其译码问题成为稳定子码中研究的热门对象。神经网络是能够模拟人脑神经结构和行为的一种数据模型,能够主动探测给定数据之间的内在联系,给出预测结果,目前广泛应用于各个领域。由于稳定子码中码的简并性和传统译码算法在错误之间相关性探测上的局限性,使得研究者们将目光转向了神经网络。本文将在神经网络的基础上,探讨拓扑码的译码问题。具体包括:（1）搭建全连接神经网络译码器,在去极化信道模型下,通过给定toric码的syndrome和相应的错误训练神经网络来自动探测两者之间的联系,使得模型能够在给定syndrome时拥有预测出量子位上发生X和Z错误的概率分布的能力,再通过采样取出预测的错误,验证其是否能产生相同的syndrome,统计能够正确译码的比例。同时本文实现相同信道模型下的MWPM译码算法与之进行对比分析,发现神经网络译码器在相同大小的噪声下能带来性能提升,同时拥有比MWPM译码算法更高的阈值门限。（2）基于对更快译码速度的追求,以及对网络模型更简化的要求。本文在（1）的基础上进行改进,提出基于卷积神经网络的译码器,在去极化信道模型下进行译码仿真,与MWPM译码算法进行对比分析,发现卷积神经网络译码器同样能够打破MWPM译码器在X和Z错误相关性上能力有限的弊端,从而提升译码器的纠错能力。此外,译码器阈值门限的提升也表明卷积神经网络译码器在抗噪声能力上的提高。与（1）中的网络模型相比,在网络训练时间上有更加优异的表现。此外,在不相关信道模型下训练该模型,并与MWPM译码算法进行仿真比较,发现卷积神经网络译码器能够达到与MWPM译码器相似的译码性能,证明我们的译码算法同样适用。