正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术因其在频率选择性衰落信道中的优异表现,在第四代移动通信技术中扮演了重要的角色。但是作为一种多载波传输方案,OFDM符号与生俱来的高峰值平均功率比（Peak-to-Average Power Ratio,PAPR）问题会导致严重的非线性失真。传统的PAPR抑制算法性能有限,且会造成一定的负面影响,而深度学习由于强大的映射能力以及灵活的学习能力,可以同时兼顾PAPR性能,误码率性能,复杂度以及频谱利用率等性能指标。因此本文通过应用神经网络对OFDM系统中现有的PAPR抑制算法进行改进,进一步提高其抑制能力。本文的主要工作如下:（1）介绍了OFDM系统的基本原理,PAPR的定义及分布。（2）编程实现了常见的PAPR抑制算法,对其实现原理,优缺点及其性能进行了较为深入的分析。在此基础上提出了一种改进的SLM-Clipping联合算法,该算法通过将两种算法串联使用,实现了PAPR的递进式抑制。提出的算法利用无失真SLM算法进行初次PAPR抑制,在此基础上利用限幅算法进行二次PAPR抑制,相比直接使用限幅算法大幅度降低限幅噪声的引入,同时PAPR抑制性能也有显著提升。（3）概述深度学习的基本原理之后,对基于神经网络的简化限幅滤波算法以及基于自编码器的PRNet方案的实现原理,优缺点及其性能进行了分析和比较。（4）提出了基于前馈神经网络的预留子载波算法（TRNet）,提出的算法利用前馈神经网络（Feedforward Neural Network,FFNN）根据输入信号的特征自适应的生成峰值抵消信号。通过仿真表明,与传统TR算法相比TRNet在保证误码率的同时大大提升了PAPR抑制能力,并通过减少IFFT运算次数提高了算法的执行效率。与现有的基于深度学习自编码器的PRNet方案相比本方案只需要在OFDM系统的发送端部署FFNN,大幅度降低了系统的成本和实现难度,并且模型在训练过程中可以快速收敛,这也为解决实时问题提供了一种可行性方案。