LDPC码是一种性能可以逼近香农限的纠错码,目前已广泛应用到移动通信的信道编码和存储器的纠错编码等场合。LLR-BP算法是LDPC软判决译码算法的其中一种,具有迭代译码以及码字越长译码性能越好的特性,但短码长的LDPC的译码性能和译码吞吐率都还有可提升的空间。深度学习在语音、图像、自然语言处理等应用场合上已经证明其强大的识别,分类及拟合能力。因此,本文将深度学习网络与中短码长的LDPC译码结合作为主要的研究内容。本文将接收器接收到的带噪声LDPC码字的译码过程看成是数据的识别,分类和拟合等过程,提出了三种利用深度神经网络进行中短码长的LDPC码译码方法:本文提出了基于全连接神经网络多分类译码方法,该方法将码字种类当作分类类别,使用具有若干层隐藏层的全连接前馈神经网络和Softmax层进行多分类输出。该方法只利用了一种神经网络结构,具有网络结构组成简单和训练难度低的特点。仿真实验证明,全连接神经网络多分类译码方法应用在LDPC短码上,译码性能领先LLR-BP算法,最大能够达到1dB。本文提出了基于半监督神经网络分类译码方法,先利用深度学习的自动编码器等实现从LDPC码字数据中无监督地提取特征后,再对码字中每个码元进行有监督二分类译码。该方法将多分类译码转化为二分类译码,解决了随着码字增长导致多分类译码的网络输出层维度过大的问题。仿真实验证明,基于半监督神经网络分类译码方法在短码上译码性能能够超过LLR-BP算法。本文基于SPNs网络进行快速概率推理的LDPC译码方法。在本文中,分析了LDPC的置信度传播迭代译码过程图模型,提出了一种构建深度SPNs网络的方法。深度SPNs译码网络结构相对简单,能够实现在码长达到上百位的中等码长LDPC译码,仿真实验证明,译码性能能够逼近LLR-BP算法。由本文提出的利用深度学习的LDPC译码方法,译码输出为输入和网络学习到的参数直接计算得到。与LDPC的LLR-BP译码算法对比,译码过程无需迭代,提高了译码效率,且在短码长上的译码性能更加优越。