数字预失真是目前最常用的线性化技术之一。随着射频功率放大器(Power Amplifer,PA)的记忆非线性的增强,对数字预失真的要求也越来越高。神经网络以其强自适应性和非线性拟合能力,在很多领域都取得了比传统算法更好的效果。本文基于神经网络,对射频功放的记忆非线性进行建模并构建预失真器,主要研究工作和创新点如下:首先,基于BP神经网络,在网络的输入层既引入了考虑记忆效应的延迟抽头,又对每个延迟抽头进行了非线性级数展开,提出了一种适合于强记忆非线性的射频功放的改进型实数时延神经网络(Modified Real Valued Time Delay Neural Network,MRVTDNN)模型。实验证明,MRVTDNN模型的建模精度比BP神经网络和实数时延神经网络模型都高,归一化均方误差达到了-40.1306 d B。然后,基于RBF神经网络,在网络的输入层既引入了考虑记忆非线性的模块,并在每个模块中引入了考虑包络滞后效应和包络超前效应的包络滞后项和包络超前项,提出了一种更适合于强记忆非线性的射频功放的广义改进型径向基神经网络(Generalized Modified Radial Basis Function Neural Network,GMRBFNN)模型。用GMRBFNN对功率放大器进行建模时,同时用遗传算法优化了模型的结构,模型变得更为精简。实验证明,GMRBFNN模型的建模精度比RBF神经网络、实数时延RBF神经网络和改进型RBF神经网络模型都高,归一化均方误差达到了-40.8512 d B。最后,基于无记忆多项式模型、记忆多项式模型、MRVTDNN模型和GMRBFNN模型,构建了四种预失真器。实验证明,基于GMRBFNN模型的预失真器的线性化效果最好,其邻信道频谱抑制最多可达16 d B左右,基于MRVTDNN模型的预失真器的线性化效果次之。总体来看,基于神经网络模型的预失真器的线性化效果比基于传统模型的预失真器的线性化效果有较大幅度的提升。