随着数字通信技术的快速发展,科学技术与实际应用中对通信质量的要求越来越高。信道均衡作为一种能够显著提高通信质量的技术,可以分为自适应均衡与盲均衡。相比自适应均衡,盲均衡不需要发送端发送训练数据,带宽利用率更高、适用场景更广,因此设计一个性能更加优异的盲均衡器具有重要的意义。本论文比较了各种结构的盲均衡器,选择具有较强信息处理能力与学习能力的递归神经网络搭建盲均衡器,对该盲均衡器的训练算法与结构进行了改进:通过分析目前应用广泛的一阶梯度下降优化算法,结合NAG算法与RMSprop算法并予以改进,该算法比其他一阶优化算法收敛速度更快、稳态均方误差更小,在50次之后就已经趋于收敛,而其他优化算法在300次迭代之后才开始收敛,适合于递归神经网络盲均衡器的训练;采用集成学习Bagging方法提高泛化能力,使整体模型在理论上具有了更强的抗干扰能力和更高的实用价值,当基学习器超过3个时,集成学习方法能够使均衡器的稳态均方误差降低1dB以上。Python仿真结果表明,所设计的盲均衡器的稳态均方误差比一般递归神经网络盲均衡器降低了约8dB,收敛时迭代次数只需普通训练算法的一半,同时少于其他优化算法。本论文完成了递归神经网络盲均衡器的电路设计与FPGA验证。在电路设计中,由于集成方式使用了硬件占用资源较小的串行实现方法,在盲均衡效果的提升与硬件消耗上取得了较好的平衡;ModelSim仿真下所设计的盲均衡器的均方误差下降了约6.7dB,且FPGA验证达到了预期的设计效果。