功率放大器是无线通信系统中的重要组成部分。由于功放固有的非线性特性,信号会产生非线性失真,引起信号带内失真和带外频谱扩展,导致信号的误码率增加,因此需要使用线性化技术来改善功放所产生的非线性影响。在现有的功放线性化技术中,预失真技术以其精度高、性能稳定和易于实现等优点得到了广泛的应用。本文基于人工智能领域中的神经网络（Neural Network,NN）理论和支持向量机（Support Vector Machine,SVM）理论对数字预失真技术进行了研究。首先从数学角度对功放的非线性及数字预失真进行理论研究,然后在此基础上进行了本文的主要工作和创新,具体如下:在总结现有深度学习中BP神经网络结构的基础上,提出了具有内时延反馈结构的Elman神经网络模型建立方法。为了证明Elman神经网络模型的可行性,将BP神经网络同时引入到功率放大器的行为建模研究,并使用遗传算法对其进行优化构建GA模型,然后与Elman神经模型进行比较,进行相关的实验验证,综合比较模型的性能和收敛时长,证明了Elman神经网络模型相比于其他模型收敛较快,动态建模能力强,具有更高的建模准确度。然后本论文提出了一种基于孪生支持张量机回归（Twin Support Tensor Regression,TSTR）算法的模型建立方法。由于张量模式的能够更好的保持数据的空间结构,因而能够取得较好的结果,本文在机器学习中的孪生支持向量回归（Twin Support Vector Regression,TSVR）算法的基础上,用样本数据集的张量模式代替向量模式进行实验分析,利用TSTR算法进行功率放大器的模型建立的研究,最后通过仿真实验结果与GMP模型和TSVR模型相比性能上有了提升,证明了TSTR模型的可行性。使用预失真验证平台对所提方法进行了实验验证。分别选用F类功率放大器和Doherty功率放大器两种功率放大器验证所提算法的性能,使用10M带宽的WCDMA与10M带宽的LTE信号进行验证。实验结果表明,经过所提方法预失真器矫正后,F类功率放大器输出信号ACPR改善约15.81d B,Doherty功率放大器输出信号ACPR改善约12d B,证明Elman神经网络模型与GMP模型相比具有很好的非线性补偿性能。