随着移动通信的发展和节能环保的要求的提高,如何解决移动通信系统中射频功率放大器的效率与线性度之间的矛盾已经成为重点研究方向。其中,功率放大器线性化技术受到广泛关注,而神经网络模型以其灵活、高精度的非线性拟合能力被认为是一种非常具有应用前景的功放数字预失真器。本文主要对基于神经网络的功率放大器自适应数字预失真技术进行了研究。首先介绍了功率放大器的非线性特性及其评价指标、行为模型和数字预失真原理,以反向传播实值时延神经网络模型为例,对比分析了神经网络模型中隐藏层层数和神经元个数对功放建模精度的影响;然后针对传统神经网络计算复杂度高的问题,对神经网络功放模型进行了简化改进,加入分类器对输入信号进行筛选,减少神经网络训练集的数据量,基于不同分类原则提出了SNN（Simplified Neural Network）模型和ASNN（Augmented-SNN）模型,在保证功放建模效果的同时大幅降低了计算复杂度,更进一步提出一种新型NN-ASNN融合模型,与传统NN功放模型比较,大幅提升了功放建模的精度;接着对传统直接学习结构（Direct Learning Architecture,DLA）进行优化,引入功放的瞬时动态增益概念（Instantaneous Dynamic Gain,IDG）,避免复杂的功放建模过程,并用预失真器输出误差代替功放输出误差对预失真器系数进行更新,提出了适用于神经网络模型的新型IDG-DLA预失真方案,与基于传统直接学习结构的预失真方案进行了仿真对比,结果表明该新方案可以在降低计算复杂度的同时,达到更好的功放线性化效果;最后对本文提出的新型神经网络预失真器进行实测,测试结果表明:基于IDG的新型神经网络预失真方案在保证性能的同时降低了计算复杂度,而基于数据融合的预失真算法与原始算法相比有着更好的预失真效果。