随着通信技术的发展,越来越多的功率器件工作在大信号条件下,器件呈现出强烈的非线性特性。传统的S参数理论只适合分析线性系统,对于非线性问题已经不再适用。因此,急需一种新的方法来代替S参数理论。非线性散射函数理论是由S参数理论推广而来,它成功地解决了大信号条件下非线性描述的难题,被广泛地应用于射频功率器件的特征建模技术上。与此同时,人工智能算法也在飞速地发展,将智能算法应用于射频功率器件建模是一种非常快捷和高效的方法,相比于传统的建模方法具有明显的优势,正被广泛地采用。首先,本论文介绍射频功率器件的建模方法,重点介绍传统的行为模型建模方法,包括幂级数法、Volterra级数法、包络域模型法、谐波平衡法和神经网络模型法,分析各自的优缺点。同时也介绍一些表征器件非线性特性的方法,如AM-AM、AM-PM、交调失真以及三阶截交点等理论。着重分析非线性散射函数法,为论文的研究做理论铺垫。其次,射频功率器件建模已经朝着计算机辅助和自动化设计方向发展。在建立模型上多采用人工智能算法和非线性散射函数相结合的方法,相比于传统的物理级模型和电路级模型更加方便和高效。因此本论文又介绍支持向量机的理论,准备运用支持向量机的回归特性来拟合射频功率器件的非线性散射函数曲线。然后,本论文将支持向量机应用于射频功率器件建模,利用其优秀的回归特性来拟合功率器件的非线性散射函数,并且和神经网络算法进行对比,在功率器件建模领域再次证明支持向量机的优势；接下来,针对测试数据的特点和非线性散射函数的特性,对支持向量机进行改进,将非线性散射函数的部分知识引入到支持向量机的约束条件中,形成领域知识支持向量机,降低由于测试数据的不精确而带来的建模误差；进一步,从假设的角度出发,分析噪声对模型的影响。最后,总结课题研究过程中所犯的错误,分析错误原因。