深度学习（DL,Deep Learning）可以在训练过程中学习样本数据中包含的规律和表示层次,通过训练可以让机器获得能够像人一样的分析学习能力,完成一些简单的分类识别任务。在过去的几年中,深度学习（DL,Deep Learning）已在推理和建模任务中取得了巨大的进步,被应用在语音识别,图像中的目标识别。而将深度学习应用于LDPC码的置信度传播译码算法,已被证明前景广阔。Nachmani等表明如果将Tanner图“展开”并且用乘以权重的方式将权重设置在图的“边缘”,则生成的解码器可以看作一个深度神经网络,可以使用基于梯度下降的方法进行训练。深度神经网络解码器使用附加的网络权重来减轻译码结构中短环的不利影响,译码性能优于传统的置信度传播译码算法。深度神经网络解码器相对传统译码算法需要相对较少的迭代次数,并且在某些情况下,深度神经网络解码器的译码性能可以接近最大似然译码算法的译码性能。然而,Nachmani等提出的方法需要大量的乘法和双曲函数运算及内存开销,并且由于深度神经网络中每层隐藏层的权重参数的数量与Tanner图中的边缘数一致,导致每层网络都存在大量参数需要学习,导致整个基于深度学习算法的译码算法复杂度很高,无法在实时硬件实现中有效执行基于深度学习的解码器。为了解决Nachmani等提出的基于深度学习算法的译码算法的高复杂度问题,并进一步提升深度神经网络译码器的译码性能。本文提出了一种基于偏移最小和（OMS）的低复杂度深度神经网络译码算法和基于自适应参数的深度神经网络译码算法。本文所作的工作如下:1.提出了一种低复杂度的偏移最小和（OMS）深度神经网络译码算法。通过分析深度神经网络译码器的网络结构和计算规则,本文提出一种对基于深度神经网络的和积译码器算法的简化算法。该算法将和积译码算法中不利于硬件实现的乘法操作及双曲函数运算转化为易于硬件实现的加法操作,并去除深度神经网络中对译码性能提升影响不重要的参数。实验结果表明,低复杂度的偏移最小和（OMS）深度神经网络译码算法可以大幅降低译码算法复杂度,减少深度神经网络训练时间。对比Nachmani等提出的基于深度学习算法的译码算法,低复杂度的偏移最小和（OMS）深度神经网络译码算法可以节省约60%的网络参数,节约训练时间为55%。2.提出一种基于自适应参数的深度神经网络译码算法。通过分析译码网络的结构,发现网络中隐藏层的译码结果对于译码网络是有效信息,不应该被丢弃。利用深度神经网络权重来构造新的损失函数,提升网络的译码性能。实验证明,基于自适应参数的深度神经网络译码算法译码性能有0.3dB的提升。