功率放大器（Power Amplifier,PA）作为无线发射机的重要组成部分,具有固有的非线性特性。数字预失真技术（Digital Predistortion,DPD）作为一种高性能的线性化技术,被广泛地用于补偿功放的非线性。随着第五代通信系统（5G）的相关标准与技术的不断成熟,传统的数字预失真在5G场景下的应用受到了挑战。一方面,根据3GPP Rel.15的5G新空口（New Radio,NR）规范说明,Sub-6GHz频段信号带宽最大为100MHz,毫米波频段信号带宽最大为400MHz,并且仍然采用正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）调制技术以保证更高的数据速率和频谱效率。在更宽的带宽以及高峰均比信号的激励下,功放的非线性特性将变得更加复杂,传统的多项式模型在该场景下的建模精度会恶化;另一方面,5G通信系统将会部署越来越多的微基站,每个功放的输出功率将变得更低,通常为几瓦或更低。因此,DPD模块的功率消耗也必须降低。这就意味着必须要充分考虑DPD模型的硬件实现复杂度。此外,随着信号带宽的增加,传统DPD所需的3倍或5倍信号带宽的ADC采样率将很难得到满足。本文对5G场景下的数字预失真的相关技术进行了研究,主要的工作和创新点包括以下几个方面。1、本文研究了采用间接学习结构（Indirect Learning Architecture,ILA）的基于频域数据进行参数提取的带限数字预失真（Band-Limited DPD）。以此为基础,提出了采用闭环直接学习结构（Close Loop Direct Learning Architecture,CL-DLA）的带限DPD。通过VSG-VSA仪器平台对采用不同学习结构和不同参数提取的4种带限DPD方法进行DPD测试。实验结果表明,基于频域数据的参数提取与基于时域数据的参数提取的方法效果相近,但复杂度更低。采用直接学习结构相比于采用间接学习结构的方案,邻道泄漏功率比（Adjacent Channel Leakage Ratio,ACLR）在频率偏移±65MHz的位置分别改善了3d B与2.3d B。2、本文基于广义记忆多项式（Generalized Memory Polynomial,GMP）,将该模型的高阶项替换为分段线性函数（Canonical Piecewise-Linear,CPWL）,使其对非线性的表征更加灵活。对CPWL函数进行等价变形,进一步可得到幅度选择性仿射函数（Magnitude Selective Affine,MSA）。通过ADRV9009平台对三种模型进行DPD测试。实验结果表明,经过高阶项替换的两种模型,可以得到比GMP模型更高的建模精度。此外,对GMP、GMP-CPWL模型进行了模型修剪测试。实验结果表明,模型过于复杂会使DPD线性化效果恶化,而模型修剪通过提取最优系数可改善这一现象。3、本文使用Matlab提供的5G Toolbox生成了符合5G NR标准的NR-FR1-TM3.1a波形,带宽为100MHz,峰均比（Peak to Average Power Ratio,PAPR）为10.387d B。针对生成的信号峰均比过高的问题,采用峰值抵消削峰法（Peak Cancellation Crest Factor Reduction,PC-CFR）对生成的信号进行削峰处理。最终得到的削峰信号的峰均比为8.203d B,均方根（Root Mean Square,RMS）误差矢量幅度（Error Vector Magnitude,EVM）为1.6064%。