随着半导体工业的飞速发展,各种新的非传统器件不断涌现,继而现有的模型已不能完全表征新器件的特性。传统的建模方法是不断试验和反复修正,建模周期长且模型精度有限,需要建立新的模型。近年来,神经网络空间映射(Neuro-Space Mapping,Neuro-SM)技术被广泛应用于非线性微波、射频器件建模领域。其中,Neuro-SM模型因在粗模型与精细模型之间加入了神经网络映射,所以能比经验公式模型更精确地反映建模器件的非线性特性。然而,随着建模复杂度的增加和工业上对缩短设计周期、降低成本和模型精度等要求的不断提高,传统的Neuro-SM建模技术还需要改进完善。本文将在传统Neuro-SM的基础上,提出三种适用于微波、射频器件建模的改进型Neuro-SM技术。首先,提出一种改进的解析型Neuro-SM建模技术,该技术在原有的栅、漏端电压映射的基础上,加入了电流映射神经网络,提高了传统Neuro-SM模型的精度。推导出了改进型Neuro-SM模型的解析型表达式,提出了一种适用于改进型Neuro-SM模型的训练算法。通过采用直流、小信号S参数、大信号HB数据对GaAs MESFET器件进行建模的例子,验证了提出的改进型Neuro-SM建模技术的正确性和有效性。其次,提出一种新的解析型动态Neuro-SM模型。提出的动态Neuro-SM模型的精度相比传统Neuro-SM有了显著的提高。该模型采用了先学习然后表征非线性器件动态行为的时滞神经网络(Time-delay Neural Network,TDNN)技术,其精度相比传统Neuro-SM有了显著的提高。论文通过一个晶体管建模的例子验证了将动态映射用于Neuro-SM模型中的必要性。推导出了动态Neuro-SM模型的解析型表达式,并提出了一种新型基于梯度算法的模型快速训练算法。通过对ADS MESFET、栅宽为2?50um的PHEMT实际器件和二维器件仿真软件Medici产生的HEMT器件的建模,验证了新型动态Neuro-SM建模技术可以用于多种新型微波、射频器件的建模,且可以突破现有建模方法精度有限的瓶颈。最后,提出一种新的解析型静态、动态Neuro-SM建模技术,可以用于搭建不同环境温度下考虑自热效应的射频、微波器件的电热模型。该模型考虑了建模器件的工作温度变化对其特性的影响,首次将温度变量引入到Neuro-SM模型中。文中还推导出了静态、动态Neuro-SM电热模型的解析型表达式,提出了一种可以快速训练解析型静态、动态Neuro-SM电热模型的新型训练算法。通过对实际的高功率晶体管、ADS MESFET器件进行建模,验证了提出的考虑自热效应的静态、动态Neuro-SM电热模型比经验公式模型准确。