低密度奇偶校验(Low Density Parity Check,LDPC)码是一种具有较低译码复杂度与逼近容量限性能的线性分组码。而线性规划(Linear Programming,LP)译码器是线性分组码的一种重要的译码技术。虽然LP译码方法可以从理论上确保LDPC码的译码性能,但其缺点是译码复杂度高。交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)译码算法可以降低LDPC码LP译码的复杂度。但是,在低信噪比区域该译码算法的性能弱于经典的置信传播(Belief Propagation,BP)译码算法。近年来,深度学习技术在纠错码领域中得到了广泛的研究与应用,基于深度学习的编译码器成为研究工作的热点。深度学习技术为LDPC码的译码方法提供了一个新的方向,利用深度学习技术可以优化神经网络的参数,有望能够设计性能更好的LDPC码ADMM译码器。本文针对ADMM译码方法,研究了基于深度学习的加权ADMM惩罚译码算法,而且提出了一种改进的线段投影算法,降低了LDPC码ADMM译码的复杂度。论文的主要研究成果如下:1.在深入分析ADMM译码方法和ADMM惩罚译码方法原理的基础上,提出了LDPC码的基于深度学习的加权ADMM惩罚译码模型及算法。仿真结果表明,与ADMM惩罚译码算法相比较,基于深度学习的加权ADMM惩罚译码算法可以提高规则LDPC码的译码性能。2.线段投影方法是降低ADMM译码算法中最复杂的欧几里德投影运算复杂度的一种有效方法。为进一步简化欧几里德投影运算,提出了一种改进的线段投影算法。仿真结果表明,与基于线段投影方法的LDPC码ADMM惩罚译码算法相比较,基于改进的线段投影方法的LDPC码ADMM惩罚译码算法可以减少运算次数和降低译码时间,从而便于硬件实现,同时译码性能基本相同。3.通过详细分析以上改进的线段投影算法,设计了内存需求较低的一种量化的改进线段投影算法。仿真结果表明,通过选取合适的量化模式,量化的改进线段投影方法下LDPC码的ADMM惩罚译码算法可以获得与改进的线段投影方法下LDPC码的ADMM惩罚译码算法几乎相同的译码性能。