宽带功率放大器作为无线通信系统中的核心器件,其线性度的提高对于通信质量和传输效率具有重要意义。人们通常采用高阶调制方式提高频谱效率,但会导致更高的峰均功率比,进而引起严重的非线性行为。数字预失真是目前被广泛应用的线性化技术,能够很好地解决由功放非线性引起的信号失真问题。但是由于带宽逐渐变宽,数字预失真反馈回路中采样率也会随之增大,导致硬件实现困难,然而使用压缩感知理论能够以低于奈奎斯特速率进行信号压缩采样和重构。因此,对于压缩感知框架下宽带功放数字预失真算法的研究有着重要的意义。针对目前多项式功率放大器行为模型具有很高的复杂度且存在着大量的系数问题,提出了一种基于动态加权函数的功放行为模型,该模型以传统的Volterra级数模型和广义记忆多项式模型为基础上,将动态偏差减少思想与动态加权函数结合。实验仿真结构表明,与广义记忆多项式模型、动态偏差减少模型比较,归一化均方误差改善了2-3d B;与无预失真情况相比相邻信道功率比改善了15d Bc,该模型能够较好地模拟功放记忆效应和不同强度的动态失真,减少了模型系数和复杂度。针对数字预失真反馈回路采样率高且功放模型复杂导致计算量剧增的问题,研究了压缩感知算法在预失真建模中的应用,提出了基于频域陷波的相关支集选择稀疏度自适应匹配追踪（RSS-FNSAMP）算法。该算法在压缩感知重构算法中的稀疏度自适应匹配追踪算法基础上,通过频域陷波校正带外失真,引入了相关支集系数矩阵选择最优支撑集。仿真分析表明,RSS-FNSAMP算法与正交匹配追踪算法、子空间追踪算法、稀疏度自适应匹配追踪算法、双正交匹配追踪算法相比,重构成功率较高,且在稀疏度较大的情况也可以完成较为精确地重构,减小了模型的复杂度。针对间接学习结构处理的系统参数过多的问题,提出了基于数字预失真间接学习结构的分段式双反馈预失真器结构。该结构通过构造一个负反馈迭代回路,得到最优支撑集,将其定义给前向路径中的预失真器,再通过行为模型辨识算法提取模型系数,最终将值复制给预失真器进行参数辨识,能够识别最优的数字预失真信号,消除建模误差。将RSSFNSAMP算法应用在所提出的结构中,通过综合实验验证该方法对功放非线性的改善程度。与无预失真的情况相比,本文所提出的方法的相邻信道功率比在低频带处和高频带处改善了约21d Bc;与ILA-SAMP、ILA-DOMP和分段式双反馈-DOMP相比,相邻信道功率比分别在低频带处和高频带处改善了约10d Bc、7d Bc和5d Bc,归一化均方误差改善了约3-5d B。该论文有图47幅,表12个,参考文献63篇。