长期以来，纠错编码一直被认为是克服由噪声、自然干扰、人为干扰、衰落以及其他信道损耗所造成的不良影响的一种有效方法。其中卷积码纠错编码是一种有效的、运用较广泛的纠错码，其解码方法的研究一直是热点。卷积码解码器的功能是找出与接收端的受噪声干扰的码字最相似的信息序列。序贯解码和Viterbi解码是卷积码解码器中最为常用的两种，其中Viterbi解码器被视为良好的最大似然解码器，但是其复杂度随约束长度的增加是指数上升的。为了解决此问题，需要有新型的结构简单的解码器，但其效果要接近甚至要超过Viterbi解码器。人工神经网络(ANNs)由于其非线性和硬件易实现等特点，已经被广泛地应用于数字通信的各个领域。这些ANNs的运用主要集中在现有算法的实现上，研究表明，可以用ANNs来实现卷积码的解码工作，从而代替Viterbi解码器，结构要简单的多，并且硬件容易实现，从而为卷积码解码提供了一个全新的技术手段。本文根据前人的研究，详细介绍了一种基于回归神经网络(RNN)的1／n卷积码解码器的原理与实现，研究结果表明RNN解码器与Vterbi解码器效果很接近，对一些特殊的卷积码，性能非常好，通过模拟退火(SA)算法对此解码器的性能进行了很大改善。进一步研究了迭代次数和解码器深度对其性能的影响，在原有的硬判决和软判决解码器的基础上，还引进了模拟解码器。并首次将此RNN卷积码解码器分别运用于移动通信、超宽带通信和光纤数字通信系统，分别画出了RNN解码器在不同信噪比时的误码率曲线，分析了其在各个通信系统中的性能，为RNN解码器在各个通信系统中的应用提供了理论依据，所以研究结果具有实用价值。