目的：未来机-机、人-机万物智能互联对传统通信方式提出了挑战，提取信源语义信息进行传输的语义通信方法为6G通信系统提供了新的解决方法。然而如何度量语义信息、如何实现最优的语义编解码等均存在挑战，本文综述现有语义通信相关的论文，提出面向智能任务的语义通信方法和框架，为进一步推动语义通信的发展铺平道路。
方法：首先综述了语义通信的发展历程和研究现状，通过分析总结了语义通信面临的两大瓶颈问题，提出了面向智能任务的语义通信方法。针对语义熵难度量的问题，本文通过定义构成语义消息的最小基本单元为语义元，引入模糊数学理论刻画语义理解的模糊程度，给出语义信息熵的计算表达式。紧接着，本文基于信息瓶颈理论提出了语义信息编码方案和语义信道联合编码方案，分别考虑了接收端是否需要重建原始信源的场景；此外，从神经网络可解释性的角度出发，提出了基于可解释性的语义编码方法。最后，基于USRP和LabView等软硬件搭建了面向智能任务的语义通信平台，对所提算法进行性能验证。
结果：在需要重建信源的通信场景中，本文所提的语义通信方法可以大大提升信源数据的压缩比，大幅降低传输的数据量；在相同的压缩比下可以提升接收端执行后续智能任务的性能，同时提升信源重建的性能。在无需重建信源的场景中，语义通信方式可以在极大压缩比的情况下，较好地完成智能任务，这是因为语义通信传输图像的语义信息而非图像的所有数据，大大减小了其带宽需求，实现语义通信的带宽利用率超出传统通信方式的100倍。此外，语义通信方式抗噪声性能远远好于传统通信方法，这是因为语义通信方法传输的数据保留了图像的语义特征，且模型训练时考虑了信道噪声的影响，使智能任务性能更优，具有更好的鲁棒性。语义通信方式由于传输数据量大大减少，因此在带宽资源相同的情况下，传输时延显著下降；此外，由于不需要进行图像的重构，软硬件的处理负荷减小，处理时延也有所下降。因此本文所提的方案可以在保证高精度分类性能的同时，大幅减少了端到端智能任务的时延。
结论：面向智能任务的语义通信方法相较于传统通信方法具有明显优势，可以在大幅降低传输数据量的同时提升接收端智能任务的性能，因此语义通信将继续保持快速发展的趋势。然而，语义通信中仍有大量的基础概念和基础问题亟需进一步讨论和完善，如语义信息的基础理论、语义通信的统一架构和语义通信中的资源分配策略等等，对这些问题进行探讨和研究对推动6G时代的技术创新和突破具有重要意义，需要学术同仁共同推动实现。
