为了提高产品性能、缩短设计周期、降低成本,设计人员往往依赖于计算机辅助设计(Computer-Aided Design,CAD)中高效、准确的器件模型。在微波及射频建模领域,传统建模方法需要不断尝试和反复修正模型,其建模周期和模型精度已经不能满足新器件的建模要求。近些年来,人工神经网络(Artificial Neural Network,ANN)被公认为是代替传统建模技术的有效方法。本文提出了三种改进的神经网络建模方法,分别适用于异质结双极型晶体管(Heterojunction Bipolar Transistor,HBT)建模、封装晶体管建模和功率放大器记忆效应(Memory Effects)建模。首先,本文提出的适用于HBT晶体管建模方法是对已有神经网络空间映射(Neuro-Space Mapping,Neuro-SM)结构进行改进,用电流和电压的混合映射网络代替电压映射网络。本文提出用混合矩阵H参数表示HBT晶体管的小信号信息,推导了经验公式模型H参数与被建模对象H参数之间的关系式。对HBT晶体管实测数据建模结果表明,本文提出的HBT晶体管模型能够准确反映其直流和小信号特性且能方便地导入仿真软件中。其次,本文提出的适用于封装晶体管建模方法是将封装晶体管分为输入封装电路、非线性电路和输出封装电路三部分,并对其建模。根据封装电路具有互易性的特点,推导了封装电路线性公式,并与神经网络结构相结合搭建了封装电路模型。本文推导了输入封装电路、非线性电路和输出封装电路三部分S参数与封装晶体管整体S参数之间的计算公式。给出了封装晶体管整体模型的结构图,提出一种新的映射电路结构。通过封装晶体管建模实例验证了本文提出的封装晶体管建模方法的可行性和精确性。最后,本文提出一种基于递归神经网络(Recurrent Neural Network,RNN)的功率放大器记忆效应建模方法。从放大器的输入输出信号中提取缓慢变化的信号,并把该信号作为新型RNN模型的输入用来表示放大器的长期记忆效应。该方法将功率放大器的输入电流加载到神经网络模型中,这不仅提高了记忆效应RNN模型的精度,同时因使用更少的隐含神经元和时间延时阶数,提高了记忆效应RNN模型的收敛性。对功率放大器记忆效应建模的结果证明,本文RNN模型能准确地反映功率放大器的短期记忆效应和长期记忆效应。