本文探讨了基于双分图的线性逻辑语法及其在计算语言学中的应用，介绍了语言矩阵理论和词嵌入向量的几何特性，研究了极化码的生成集性质，并提出了新的解决方法。

本文提出了一种基于遗传算法的极化码构造框架，通过演化变换信息集来适应指定的译码算法。该算法构造的极化码无需CRC辅助，达到了与CRC辅助SCL译码相同的误码率性能，并在$10^{-6}$比特误率下实现了1dB的编码增益。同时，该算法还可以接近SCL的误码率性能，而无需修改译码算法本身。

通过数据驱动方法设计了一种针对具有和不具有记忆的信道的极化码方法。该方法利用神经网络替代原始译码器的核心元素，并在输入空间中嵌入信道输出的附加神经网络。该方法具备理论保证，计算复杂性不随信道记忆大小增长。在无记忆和具有记忆信道上展示了性能，并与最优极化译码器进行了比较。适用于SC和SCT译码器不适用的情况。