随着近年来车辆的激增,车载通信作为车联网重要的一环能够有效帮助我们缓解汽车增多带来的一系列问题。这就要确保车载通信能够实现实时通信以及高保真的通信质量。相比于室内,车载信道因为收发双方的相对高速运动,存在较大的多普勒频移和时延,使得对通信系统的可靠性和实时性有更高要求。本文围绕车载信道下译码算法误码率性能提高的问题进行研究。深度残差收缩网络（Deep Residual Shrinkage Networks,DRSN）有着很强的特征提取能力。利用DRSN特征提取的能力,辅助LDPC译码算法。实验证明,基于深度残差收缩网络的LDPC译码算法在快速衰落信道下不仅可行,而且能够提高LDPC码的译码性能。本文的研究工作和主要贡献为:（1）研究分析LDPC码的基础理论和经典译码算法,参照文献[40]搭建出基于深度学习的LDPC译码器,并且在python平台下进行仿真实验。证明基于深度学习的LDPC译码算法的可行性后使用DRSN代替卷积神经网络（Convolutional neural network,CNN）。模型训练损失函数值证明,DRSN的信道增益预测能力强于CNN,而且基于DRSN的LDPC译码算法与传统译码算法相比,该算法在瑞利信道下具有更好的译码性能。（2）基于IEEE802.11p标准,在专用短程通信（Dedicated Short Range Communication,DSRC）车载信道下进行仿真评估本文所提出方案的可行性。仿真实验表明,本文方案译码性能逊色于传统译码算法。通过重新定义对数似然比（Log Likelihood Ratio,LLR）计算公式,再次进行仿真实验,结果证明在高信噪比下,本文所提的译码算法性能更好。