射频功率放大器是现代通信的关键设备之一,它广泛应用于无线通信、雷达、卫星通信、导航以及电子对抗设备等系统。随着现代通信技术的发展,特别是第三代移动通信系统的迅猛发展,人们对放大器的线性度在不断的提出更高的要求,由于射频功率放大器经常工作在电源效率较高的接近于饱和区域,而饱和区比较易于产生非线性失真,所以合理的解决这对矛盾就必须有较好的线性化技术以改善功率放大器的非线性问题。本文系统深入的研究了神经网络的网络结构、工作方式和几种常用的神经网络技术的优缺点,对小波网络的基本原理和小波网络构造做了进一步分析。根据功率放大器的非线性特性,详细的探讨和分析了传统的功率放大器的线性化技术:功率回退法、负向反馈法、预失真和前馈法等方法的局限性,分析了功率放大器的记忆效应和功率放大器的几种记忆模型。由于小波网络具有良好的局部化特性和较强的逼近和容错能力,而且小波网络具有收敛速度快和算法简单的优点,所以在本文中应用连续小波网络构建了射频功率放大器的小波网络模型,小波网络模型由输入层、小波层和输出层组成,并重点研究了小波网络模型的结构。小波网络参数的初始化方法不但减少了训练步数而且较大程度上降低了不收敛的可能性,在参数训练中采取了梯度算法,不断的对网络参数进行调整直到当误差减小到允许的范围之内时停止训练,或者当训练步数超过了设定的值时再停止训练。最后通过仿真实验验证了该线性化技术的可行性。