功率放大器作为无线通信系统不可或缺的一环,其非线性效应会导致发射信号产生失真,从而降低整个系统的通信质量,为了补偿非线性失真,线性化技术得到了广泛的研究。凭借成本适中、线性度良好以及可移植性强等优点,数字预失真技术已逐渐成为当今主流的功放线性化技术之一。本文首先介绍了功放行为模型、间接学习结构、直接学习结构和迭代学习结构,然后介绍了线性化增益的选取原则,随后研究了数字预失真技术中的参数辨识方法,并对其中的自适应预失真算法进行改进,最后本文提出了一种接收机的多元线性化方法,主要创新点如下:1)在间接学习结构中,为了解决LMS算法收敛速度与稳态性能的矛盾,本文提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)的LMS算法,该算法利用PSO对抽头系数进行更新迭代,具有更佳的稳态性能和更快的收敛速度,该优化方法同样适用于RLS算法。在此基础上,将粒子群优化的LMS算法引入基于迭代学习控制(Iterative Learning Control,ILC)的结构中,提出了ILC-PSO-LMS算法。2)在直接学习结构中,通常采用二阶Newton算法完成参数辨识,针对该算法需要大量迭代才能收敛的问题,本文提出一种结合粒子群优化的Newton算法,在迭代过程中利用PSO的位置更新公式来优化抽头系数,加快逼近最优解,从而缩短了预失真器权系数的训练时间。3)在发端处理的基础上,本文提出了一种收端多元线性化方法,首先将接收信号映射到高次空间,把一次空间的非线性问题建模为高次空间的线性问题,然后利用多元线性化方法消除非线性失真,最后解调判决。在AWGN信道下仿真验证了所提算法的性能,仿真结果表明所提多元线性化方法可以完成非线性干扰的抑制。