在无线通信中,射频功率放大器不仅可以将无线电信号提升到足够的发射功率水平,而且还是信号失真、杂散、谐波和互调产物的主要来源,是射频前端的重要的组成部分。想要量化和预测功率放大器非线性对信息传输质量的干扰,需要准确的功放模型。在功率放大器的线性技术（例如:数字预失真）研究时准确的对功率放大器非线性建模是至关重要的第一步。作为一种表征功率放大器非线性特性的重要手段,行为模型一直以来受到无线电通信学者的普遍关注。人工神经网络因其具有强大的学习能力在功率放大器的行为建模中应用最广泛。理论上人工神经网络可以通过训练来适合任意非线性关系。已有多种人工神经网络成功的应用到功放的行为建模,包括RNN和DNN。但是这些模型均具有复杂的多层神经网络,需要人工干预和相对长时间的训练。最近,具有单隐藏层前馈网络结构的极限学习机（Extreme Leaning Machine,ELM）被应用于功率放大器的行为建模。由于ELM自身特性减少了在确定网络结构和调整参数的人工干预。此外,由于ELM不需要迭代,在训练模型速度上时明显快于其他人工神经网络。但是,在建模实验中ELM模型的精度一致性较低,变化范围较大。并且,由于模型初始化是随机生成输入参数,使得ELM网络往往需要较多的隐藏节点。为了解决上述缺点,本文将进化极限学习机（Evolutionary Extreme Learning Machine,E-ELM）引入射频功率放大器的行为建模中。本文围绕E-ELM对射频功率放大器行为级建模进行展开,具体工作如下:针对ELM在建模实验中模型精度变化范围大的缺点。引入了结合差分进化算法（Differential Evolution,DE）来搜索ELM全局最优输入权重和偏置的E-ELM。采用AB类、E类和F类功放的数据建立模型,验证了E-ELM对不同功放的建模与预测能力。在上述基础上,本文探索了E-ELM辅助的Doherty功率放大器设计与优化方法。采用CREE 10W Ga N HEMT晶体管,基于E-ELM算法建立了载波功放和峰值功放的模型,以模型辅助指导Doherty输出部分基波阻抗匹配与优化。最终实现了一款2.4 GHz非对称的高效F-1/F类Doherty功率放大器,证明了行为级模型对于Doherty放大器设计具有一定的指导和辅助作用。在电路测试基础上,进一步验证了E-ELM算法对于Doherty功放的适用性。