在过去的几年时间里,4G的普及推动着移动互联网行业的飞速发展;可以预见在未来的几年时间中,5G的全面铺开也必将会给物联网带来新的发展。随着网速越来越快,人们对信号传输过程中的编译码时延要求也越来越高。近些年深度学习在很多领域已经取得了重大的突破,也越来越多地被应用于各行各业,其“一次训练到处推理”的特点非常适合用来处理信道译码任务。利用深度学习,在神经网络中学习到某种编码的特征,将带有这种特征的模型保存下来,就可以随时进行译码任务,且只利用前向传播推理译码在时延方面较传统方法也有优势。因此,研究深度学习在信道译码方面的应用是非常具有理论和实际意义的。本文利用深度学习进行信道译码,探索其可行性并着重研究卷积神经网络中各种网络结构及网络参数对译码性能的影响。主要工作如下:（1）深入研究卷积神经网络的理论基础和相关算法,了解常用卷积神经网络结构,分析其优缺点,基于常用神经网络结构,设计适合于信道译码的神经网络。（2）生成极化码、BCH码和LDPC码的数据集以用于训练和测试,在生成数据集过程中,对训练集和测试集的信噪比分布做数据分析,使用译码性能较好的信噪比分布作为后续的训练集信噪比分布。（3）设计卷积神经网络,对极化码进行译码。首先设计简单卷积神经网络进行极化码译码,并分析卷积神经网络的几种参数对译码性能的影响,包括卷积核大小、卷积层层数、全连接层层数。然后在卷积神经网络中引入一些复杂的连接结构进行极化码译码,如Inception和Res Net结构,并根据简单卷积神经网络的实验得出的参数适当调参分析其对译码性能的影响。最后比较多种网络的译码性能,分析各种网络译码性能存在优劣的原因。在多次实验后,最终设计出一种较为合适的神经网络结构,可以在极化码的译码任务中达到不错的结果。（4）考察神经网络对译码任务的泛化性,针对BCH码和LDPC码,利用对极化码译码得出的经验网络对其进行译码,并分析其译码结果相比于极化码较差的原因。