本文主要介绍采用BP神经网络的方法来设计Doherty功率放大器非线性模型。文中是从功率效率、输入功率与输出功率的关系两个方面来对Doherty功率放大器进行设计。BP神经网络结构简单，可操作性强，可以逼近任意的非线性映射关系，能够有效地解决非线性目标函数的逼近问题，在放大器建模方面得到了广泛应用。对于通常所说的传统BP神经网络模型，它把一组输入样本与输出样本之间的问题转变成一个非线性的优化问题，但是传统BP神经网络有着自身的缺陷，在功放设计应用中，网络输出的功率效率与输出功率无法达到实际功放的要求。针对传统BP神经网络的不足，本文采用附加动量项与自适应学习率相结合的改进BP神经网络方法来完成功率放大器的非线性模型设计。为构建更为准确神经网络模型，需要对改进的BP算法选择合适的参数，即要选择出合适的动量因子与学习率。学习率取值过大会引起网络震荡不稳定，取值过小虽然可以避免不稳定，但是增加了神经网络的训练时间。通过对网络的反复训练，我们发现当动量因子取值为0.9是可以有效地减缓网络的震荡趋势，同时采用自适应学习率的改进BP算法，当网络训练在过程中误差增大时减小学习率，当误差减小时增加学习率，利用其可以实时的调节学习率大小的优点，有效地加快了网络的收敛时间。神经网络的训练数据和测试数据均来自Doherty功率放大器的单音信号。将改进的BP神经网络方法与传统BP神经网络方法的误差收敛结果作比较，就收敛速度来讲，通过收敛曲线可以明显的看出改进的BP神经网络方法要比传统方法快得多；将两种方法的曲线拟合结果的误差也进行比较，结果表明使用改进BP神经网络方法曲线拟合精度要比传统BP神经网络方法更高。通过一系列的实验结果对比说明改进的BP神经网络方法得到更高精度的功放设计结果。