在即将到来的5G时代,人们对5G通信寄予了极高的希望,高速率、低延时、高带宽的通信网络成为5G无线通信发展的必然需求。而高宽带、高速率的通信系统需要使用高阶调制,高阶调制对通信系统的线性特性有严格的要求,由于通信系统自身的非线性特性,存在非线性失真问题,需要对非线性进行补偿才能提高效率。非线性特性是功放在饱和区附近运行时出现的主要缺陷之一,非线性问题会改变原始的信号特性,比如增益压缩、相邻信道的频谱再生和带内失真,这些会导致通信系统的性能下降。对于功放的线性化和数字预失真技术的研究及其实现,对推动绿色通信理念的深入发展和节能减排具有重大意义,也具有极大的实际应用价值。由于5G移动通信的宽带和速率都将有极大的提升,如果按照传统的方式来处理预失真,预失真器的频带宽度是信号带宽的几倍,需要的AD采样器件速率高、位数长、信号动态范围广,这样的器件价格昂贵,功耗非常高,器件消耗的能量可能比线性化节约的能量还高,预失真就没有实际意义。由于功放的输入输出关系可以用函数来表达,而神经网络可以利用大量数据进行训练,逼近任意函数表达式,且神经网络还可以有效地补偿功放的记忆效应,因此为了更好地补偿超宽频带功放的非线性失真,使用神经网络对功放进行预失真建模是一个极具潜力的选择。当前,很多学者都使用神经网络进行预失真建模,使用这些神经网络建模都有一些优缺点。例如,RVTDNN（实值时延神经网络）结构简单,但是更新迭代速度慢,容易出现过拟合和梯度消失的风险。RBFNN（径向基神经网络）结构简单,计算量少,缺点与RVTDNN类似,难以准确地表征高宽带射频功率放大器的强动态特性。长短期记忆神经网络（LSTM,Long Short-Term Memory）使用了3个门单元进行训练,决定了什么信息应该丢弃,什么信息应该长时间保存,可以传递单元的短期状态和值,具有记忆效应,可以适合多种条件下的功放预失真建模。为了实现具有强动态非线性的高宽带功放的预失真建模,本论文将研究一种新的模型,该模型使用LSTM和GAN神经网络相结合,可以有效解决梯度消失和过拟合,具有无限建模的能力,既具有良好的通用性,又可以表示记忆效应,可以对强动态非线性功放建模。模型以LSTM为基础神经网络,以GAN为核心神经网络,分别对两种不同特性的功放进行预失真建模。使用AM/AM和AM/PM特性图直观定性地观察预失真建模效果,使用NMSE（归一化均方误差）和功率谱密度来定量地衡量建模的精度。预失真建模结果表明LSGAN（最小二乘GAN）和SNGAN（谱归一化GAN）的建模效果较好,它们都有效地抑制带外频谱再生,改善了功放的非线性失真,对强动态非线性功放也有很好的效果,因此使用GAN神经网络进行预失真建模具有很大的潜力。