伴随着信息时代的到来，人们对于高速率的信息传输需求与日俱增，现今提高信息传输速率的方法主要有改善频谱利用率和加大信号的传输带宽等。
　　功率放大器作为通信系统中重要的组成部分，由于其固有的非线性特性，输入和输出信号之间并不是严格的线性关系。当输入信号具有较大的传输带宽或高峰值平均功率比时，这种非线性失真行为所带来的影响尤为明显，导致系统的通信能力下降，严重影响用户的通信体验。因此，关于功率放大器线性化技术的研究是一项重要的且具有实际应用价值的通信课题。数字预失真法作为功率放大器线性化技术中的研究方向之一，由于其具有良好的稳定性能和实用价值，已获得越来越多研究人员的关注，是一项具有较好应用前景的线性化技术。神经网络模型具有强大的拟合能力与灵活性，基于该模型的数字预失真法是目前的研究热点之一。本文针对目前流行的记忆神经网络预失真模型进行了研究，针对神经网络模型中存在的参数过多问题，提出了新的网络结构，在保证性能的前提下简化了模型参数数量。
　　高带宽信号还带来了高采样率的问题，当采样率不满足数字预失真系统需求时，由于采集到的信号丢失了原信号中的高阶频率成分，导致所求的预失真模型参数与实际情况存在有较大的误差，影响了预失真系统的性能。因此本文还研究了欠采样情况下的数字预失真问题，分别讨论了随机解调法与频谱外推法，对频谱外推法中的理想滤波器问题提出了解决方案，通过仿真证明了所提方案的有效性；本文还对频谱外推法在采样带宽逐渐减小情况下出现性能不稳定的现象进行了分析与改进，并通过仿真进行了论证。