针对现有网络译码器在极化码译码中存在训练集数据要求较为严苛且抗噪声能力较弱的问题，提出一种基于辅助去噪的极化码网络级联改进译码算法。将卷积神经网络（Convolutional Neural Network, CNN）用于去噪，门控循环单元（Gated Recurrent Unit, GRU）用于译码，在此基础上引入扰动参数和扰动噪声，以传统的连续删除（Successive Cancelation, SC）算法结合扰动参数获取相应的扰动噪声，对经过CNN去噪失败的信息数据进行校正，使其偏向正确的码字，以提升去噪模块的性能，并进一步提升该算法的性能。仿真结果表明，误码率为10^-1～10^-3时，当扰动参数设置合适的情况下，所提算法相较于原始网络级联译码器约有0.2～0.5 dB的性能提升，资源消耗降低了67.2%,使译码算法的效率提高，且在低信噪比区间的抗噪声干扰能力增强。