在无线通信技术的发展过程中,功率放大器的线性化需求越来越高,针对功放的线性化技术层出不穷。数字预失真技术作为其中最有效的一种方法,可以较好地应对由功放的非线性特性和记忆效应带来的问题。本文基于数字预失真技术对功放线性化问题进行了研究。首先对功放的非线性特性和记忆效应进行了分析。功放的非线性主要体现在输出端会产生新的频谱分量,可以用邻信道功率比(Adjacent Channel Power Ratio,ACPR)表示其非线性程度。接着介绍了几种常用的功放行为模型及其优缺点,其中,广义记忆多项式(General Memory Polynomial,GMP)模型由于其优良的性能,应用最为广泛。介绍了三种数字预失真结构,并基于其中的一种结构在第五章进行了数字预失真的验证。功放行为建模是数字预失真的基础,而神经网络由于其良好的逼近能力,逐渐成为一个越来越有吸引力的解决方案。论文以神经网络模型作为功放行为模型,在传统实值神经网络的基础上引入复值神经网络,首次将复值神经网络应用于功放数字预失真领域。采用的结构为全连接递归神经网络(Fully connected recurrent neural network,FCRNN),并针对该复值神经网络的特点推导了复实时递归学习(Complex Real-time Recurrent Learning,CRTRL)算法。最后通过仿真与GMP模型和聚焦时延神经网络(Focused Time-Delay Neural Network,FTDNN)模型进行比较,证明了复值神经网络模型的可行性。接着在FCRNN模型的基础上进行改进,提出了复值流水线递归神经网络(Complex-Valued Pipelined Recurrent Neural Network,CPRNN)模型,并以此模型对功放进行建模,然后对CRTRL算法进行扩展,以适应CPRNN的模块化结构,并且为了提高学习性能,在学习算法中引入了可变的遗忘因子,最后通过仿真验证了该模型的效果,性能相对FCRNN模型有所提升。接着提出了一种增广型的CRTRL算法并加以验证其性能。最后在搭建的仪器实验平台上进行实际验证,利用两种复值神经网络模型作为预失真器,基于WCDMA信号,针对F类和Doherty功率放大器进行预失真矫正。实验结果中,功放的线性指标ACPR在预失真后得到显著降低,说明基于复值神经网络的数字预失真系统具有良好的线性化能力,进一步验证了所提模型的可行性。