正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）作为一种多载波调制技术,以其高频谱效率、对多径效应的鲁棒性、以及基于快速傅里叶变换的可实现性而备受关注,目前已经在现代通信系统中得到了广泛应用。然而,在OFDM系统中,较大的信号包络波动是其主要的缺点。由于发送端的放大器（Power Amplifier,PA）的线性范围有限,若信号峰值过高,PA对信号放大过程中会产生严重的非线性失真。这不仅会导致系统误码率增加,还会产生严重的带外泄露。立方度量（Cubic Metric,CM）是一个用来衡量包络波动的指标,抑制OFDM系统CM技术是实际应用的一个关键技术。传统抑制OFDM系统CM技术存在迭代次数多、计算复杂度高、包络抑制性能与其它性能不能兼顾的问题。为了改进上述问题,本文引入深度神经网络（Deep Neural Network,DNN）技术,提出了两种基于DNN的抑制OFDM系统CM的算法。主要内容如下:第一,提出了一种基于集成学习抑制OFDM信号CM的算法。本文利用DNN技术对简化限幅滤波（Simplified Clipping and Filtering,SCF）算法的处理过程进行模拟,避免了传统算法所需多次迭代的问题。针对该处理过程过于复杂的问题,设计了一种新的网络结构,该网络结构具有复杂度较低的特点。为进一步提升模拟的性能,利用了集成学习的方法对网络模型进行组合优化。该算法可近似实现SCF算法的抑制性能和误码性能,并且其复杂度大幅降低。第二,提出了一种基于多任务学习抑制OFDM信号CM的算法。利用DNN结合星座扩展（Active Constellation Extension,ACE）的思想,提出了基于多任务学习的神经网络结构,该模型能够综合考虑抑制性能和误码性能。将该结构进行简化,使得模型的复杂度得以降低,该模型具有更好的鲁棒性,对训练集的要求大大降低,同时具备良好的对CM的抑制效果和较低的误码率。