纠错码在通信领域的信息传递中被广泛使用,作为一种重要的纠错码,卷积码的译码方法的研究具有重要价值。卷积码的结构在于,与分组码相比,卷积码码组内的校验元的形成除了有本组的信息元的参与,还有之前码组的信息元的参与,这个结构使得卷积码相邻码组之间有了一定的相关性。近年来,深度学习在纠错码的译码研究上已经有了不错的进展,神经网络强大的特征提取能力和模型泛化能力可以将码字的译码过程转变为对码字类型的分类,因此适合用来进行纠错码的译码。本文将深度学习、集成学习方法和卷积码的译码问题相结合,主要工作有以下几个方面:(1)提出了基于深度学习的卷积码译码模型,多层感知器对划分后的码字段进行多分类处理,译码成对应的信息序列,被译码的码字段通过状态连接,前一个码字段为后一个码字段提供起始状态,多层感知器的译码方法具有串行译码、状态位连接译码等特点,在性能上译码性能相较于维特比译码算法较弱。(2)提出了基于深度学习和集成学习的卷积码译码模型,根据卷积码的结构特点,用多层感知器对同一个码元进行多次不同维度的译码并投票集成。由于译码的结果充分利用了卷积码码组间的耦合性,新的算法模型性能上相比上一个算法有一定的提升,与维特比译码算法的性能较为接近。同时译码算法相比上一个算法具有并行译码的特点,在译码用时方面大幅缩小。与传统的维特比译码方法相比,本文基于深度学习和集成学习方法的卷积码译码有以下优点:1)与维特比译码方法的性能相比,在约束度较低时该方法的性能根据滑动窗口的长度和卷积码结构的不同能接近维特比译码方法的性能。2)该方法的网络训练和译码过程实现分离,对同一结构的卷积码,经过训练的神经网络不需要重复训练。3)该卷积码译码过程可以实现并行化,较大的缩小了译码过程所需的时间。