功率放大器是保证无线通信系统能够实现完整功能的重要组成部分之一。但由于一些调制技术以及功率放大器工作时所产生的热效应等原因,使得功率放大器存在非线性的特性。受功率放大器非线性的影响,整个无线通信系统的误码率会大幅的增加,并且还会干扰到邻近的信道,所以功率放大器的非线性特性迫切地需要得到缓解。目前用来缓解功放非线性的方案有很多,其中数字预失真技术是较为有效的一种线性化方案。本文主要通过使用深度学习领域中擅长处理时间序列的长短期记忆（Long Short-term Memory,LSTM）网络和注意力机制,来提升功放行为模型的建模精度,以达到改进现有数字预失真技术的目的。功率放大器的非线性有着相应的评价指标,本文首先对功放非线性常用的评价指标做了细致的说明,以及对几种包含和不包含记忆效应的功放行为模型做了概述。之后分别使用传统的BP神经网络和LSTM对功率放大器进行了行为建模,在保证模型结构和模型的记忆深度相等的条件下比较两个模型的建模效果,实验证明LSTM模型在功放行为建模上的效果要好于传统的BP神经网络。功放行为模型有多个延时输入项,注意力机制的目的是给这些延时输入项分配不同的权重后再将其输入到模型中,从而提升模型的效果。由于实验已经说明LSTM模型的效果要好于传统的BP神经网络,所以之后的实验都是在LSTM功放行为模型的基础之上进行的。之后使用在LSTM上添加注意力机制这种方式对功率放大器进行了建模,通过对比三种模型的效果,发现使用添加了注意力机制的LSTM对功率放大器进行建模,其精确度要显著高于使用没有添加注意力机制的LSTM对功率放大器进行建模这种方式。并且还得到一个重要的结论就是,注意力机制可以对模型进行剪枝,明显减少了模型的参数量。最后使用添加了注意力机制的LSTM模型建立了功放逆模型,并使用此模型作为预失真器。通过实验分析,结果表明利用这种方式所实现的预失真器对原始信号进行了校正后,功放输出信号的邻信道功率比（Adjacent Channel Power Ratio,ACPR）得到了明显的降低,说明添加了注意力机制的LSTM模型在预失真系统中的可行性。