随着无线流量的爆炸式增长,第五代移动通信(The 5th Generation mobile communication,5G)正面临着日益多样化的需求驱动,超可靠低时延通信(Ultra-Reliable and Low-Latency Communication,URLLC)作为5 G三大应用场景之一,受到了广泛的关注。极化码被认为是URLLC信道编码技术的有力竞争者,但是URLLC严格的时延与可靠性要求对现有的译码算法提出了巨大的挑战。因此,有必要设计更先进的极化码译码算法来降低译码时延,提高译码可靠性。本论文结合现有的串行抵消(Successive Cancellation,SC)和置信传播(Belief Proporgation,BP)译码,通过引入深度学习技术,提出了两种基于神经网络的极化码译码算法,分别实现了译码时延的降低和可靠性的提高,适用于URLLC场景。论文主要研究内容如下:(1)论文系统梳理了 URLLC信道编码技术的相关研究,重点介绍了 URLLC信道编码的主要特征以及候选信道编码方案的研究现状。通过比较各类信道编码方案的优缺点,突出了极化码在URLLC场景中的竞争力,并在此基础上分析了URLLC极化码面临的问题与挑战。同时,论文介绍了极化码与深度学习的相关理论和技术,为本文的研究内容奠定理论基础。(2)针对SC译码固有的串行结构导致高译码时延的问题,本文利用神经网络的单次译码特性以及安全可靠的泛化能力,提出了基于神经网络的SC译码算法。由于速率R节点的局部串行译码给SC译码过程带来了最多的时延,所以提出的算法使用训练好的前馈神经网络替换速率R节点及其子树进行单次译码,从而简化了该节点的计算操作。理论分析与实验结果表明,提出的算法能够在实现类似译码性能的同时,降低译码时延。(3)针对非理想信道环境中的噪声相关性导致BP译码性能下降的问题,本文利用Transformer模型的并行计算和全局特征抽取能力,提出了基于神经网络的BP译码算法。在译码迭代过程中,提出的算法使用训练好的Transformer模型对粗估计的相关噪声执行更准确的噪声估计,然后继续迭代,从而减少估计误差对译码性能的影响。理论分析与实验结果表明,提出的算法在总迭代次数相近的情况下,能够有效地提高非理想信道环境中的BP译码性能,特别是在强相关条件下,性能增益更为显著。本论文利用神经网络设计了适用于URLLC场景的极化码译码算法,使得高可靠和低时延这两个主要的关注点得到了有效保障,并且通过分析和总结所提出的两种优化译码算法,给出了它们各自的适用场景,为URLLC道编码技术的研究探索了潜在的解决方案。