信道编码是通信系统中重要的一个步骤,而信道编码数据识别技术在通信领域有重要的研究价值,本文研究的信道编码数据对象分别为“伪随机扰乱编码数据”,“分组编码数据”和“卷积编码数据”。不同于传统信道编码数据识别技术,本文主要以卷积神经网络在信道编码方面识别为切入点,进行了基于多种卷积神经网络的信道编码识别技术研究,主要工作包括提出原始数据变换处理方法,进行适应多种误码编码数据集构建和深度学习模型选择改进测试三个方面。本文所采用的基于深度学习方法的纠错编码识别技术,首先解决了传统技术识别中只能针对单一编码进行识别的问题,其次本文所提出方法可以在高误码下进行更准确的识别。最后,本文基于生成的信道编码数据集,分别在误码10‰,5‰,1‰情况下,采用VGGNet,ResNet和InceptionNet等三种卷积神经网络对数据集数据进行识别研究,在1‰误码情况下识别率能达到95%以上,并且本文对识别算法的识别效果,识别运行效率,模型可视化等方面进行了相关实验,总结了不同算法适用的不同的场景。综上,本文所进行的研究充分说明了基于深度学习的信道编码数据识别的可行性和优势,并且讨论了深度学习在信道编码领域的适用性。本文所研究的信道编码识别技术相比于传统研究,其可识别更高误码数据,而且操作上更加智能自动化和高效率。