功率放大器作为发射极发射机的核心部件，其工作特性具有高度非线性和强记忆性，这使得功率放大器的行为建模非常困难。为了解决这个问题，本文提出了一种基于深度序列卷积网络的功率放大器行为建模方法。该方法中使用的神经网络模型由多个多维时间序列卷积块组成。每个时间序列卷积块由多个残差结构组成，以增加网络的因果展开卷积，提高梯度反馈的效率。该模型通过并行卷积运算，克服了传统卷积网络不能处理变长序列的缺点，在保持功率放大器存储特性的同时，提高了行为建模的效率。对实测数据的行为建模结果表明，与现有的Volterra级数和循环神经网络建模方法相比，该方法可以显著提高行为建模的精度，在行为建模效率方面，与循环神经网络建模方法相比，实现时间减少了一个数量级。