随着移动通信系统的高速发展,基带信号的带宽不断加宽,信号的调制模式越来越复杂,射频功放所体现的动态非线性现象愈发严重、记忆效应也表现得格外明显,因此对射频功放线性度的要求也越来越高,数字预失真作为研究射频功放线性化的重要技术手段,对其也提出了更为苛刻的要求。面对5G系统超过100MHz的宽带信号,宽带射频功率放大器中存在的强记忆效应严重地降低了基于传统非线性的数字预失真器的线性化性能,必须寻求具备能表现强非线性特性的功放模型;随着近年来人工智能、深度学习快速的推进并取得的惊人成果,使其获得了各行各业的青睐。与传统方式相比,神经网络的自学习能力尤为突出。在射频功放建模能力上,深度学习也将发挥其强大的自学习优势。本课题主要基于长短期记忆神经网络对工作在大带宽信号下的射频功放进行强动态非线性行为建模及线性化研究,长短期记忆神经网络优良的时序处理能力、循环传递机制,恰好与射频功放信号的时序、功放的记忆效应形成良好匹配。本文首先分析了不同带宽信号作用于射频功放时,功放在非线性上所体现的差异,通过输入输出幅值特性曲线（AM/AM）可以直观地发现信号带宽越宽,其非线性特性的动态范围就越大。基于现有的研究,本文通过结合射频功放的记忆深度与超前项数,构建基于循环神经网络的功放模型,并搭建了基于R&S仪器的实验平台,进行了与传统功放模型的一系列实验对比分析。最后,采用5GNR的100MHz测试信号,对Doherty功放进行了实验验证。实验结果表明:在记忆深度相同的情况下,广义长短期记忆神经网络模型在对射频功放强动态非线性行为建模的能力上,归一化均方误差（Normalized Mean Square Error,NMSE）值比传统模型高出至少4dB左右。在预失真性能实验中,其对邻信道的寄生辐射功率抑制也较良好,其带外寄生辐射功率抑制比比未加预失真时改善最高10.8dB左右。