传统无线通信系统由发射机和接收机组成，待传输的信息经过信道编码、调制、成型后通过天线发射出去。由于信道衰落、噪声和干扰等因素的影响，到达接收机的信号会存在较严重的失真，接收机需要从失真的信号中尽可能地恢复出原始信息。为解决此问题，提出基于多标签分类神经网络的多输入多输出（MIMO）智能接收机模型。该模型利用深度神经网络（DNN）替代接收机从信号到信息之间的整个信息恢复环节，并采用多标签分类算法代替多个二分类器实现多个比特的信息流恢复，而训练数据集为包含二进制相移键控（BPSK）与正交相移键控（QPSK）两种调制方式以及汉明编码与循环编码两种方式的正交信号。实验结果表明在噪声、瑞利衰落、干扰等情况下，使用传统Alamouti译码方法的接收机误码率（BER）为1E-3时，智能接收机已经实现了BER为0的恢复信息；在保持BER性能相同时，所提多标签分类算法比对比模型的多个二分类器算法在每个批次的训练时间上减少了约4 min。
