射频功率放大器非线性问题是现代通信系统的核心问题之一。由于新一代通信系统的信号具有调制方式复杂,峰均功率比高,带宽大等特点,功放的非线性随之加重,这进一步影响了系统输出信号的效率与质量。与此同时,由于深度学习技术的日益成熟,能够更加高效地应对大规模的数据,并有效提取数据的高维特征,深度学习技术在无线通信物理层的应用受到了广泛关注。因此,本文针对通信系统中具有强非线性的射频功率放大器,提出了利用深度学习技术对射频系统建模与线性化的方法。本文的主要目的是利用深度学习技术完成一个基于查找表的自适应数字预失真方法。全文的基础是获取高精度的功放行为模型,因此本文首先研究了功率放大器的非线性特性,确定了功放的非线性对于输出信号的影响,对强记忆效应有针对性地进行建模与参数提取。其次,为了减弱被测功放在信号传输过程中出现的相位模糊问题,本文提出了基于一维卷积神经网络的相位校正模块,用于对数字预失真输入数据的预处理。之后,根据功放与数字预失真行为模型在外部特性上的互逆性,在对数字预失真参数提取的过程中,与功率放大器共享了相同的模型结构。最后,本文设计了以查找表方法为基础的自适应数字预失真方法。为了增加查找表中数字预失真行为模型的数量,本文使用ADS仿真软件获取了其他功放的信号并建立了对应的数字预失真行为模型。最终,以一维卷积神经网络为基础,完成了线性化系统的输入信号与查找表中模型的匹配方法,实现了对多种型号功率放大器输入信号的自适应数字预失真的目标。同时,本文提出的方法也为机器学习技术在无线通信物理层的应用进一步打下了基础。