随着电子电路集成化发展,模拟电路以及数模混合电路在民航、交通、通信等领域被广泛应用。模拟电路作为现代电子设备的重要组成部分,其故障率和维修检测成本远高于数字电路,且我国模拟电路故障诊断技术发展较国外相对缓慢,因此需对模拟电路故障诊断技术重难点问题展开研究和突破。由于模拟电路输入和输出信号存在着非线性映射、电路故障特征连续以及维数较高等问题,使模拟电路故障特征提取困难、进而导致故障诊断率不高。针对以上问题,提出两种基于机器学习的模拟电路故障诊断方法,本文主要工作如下:针对模拟电路故障特征连续以及特征维数较高的问题,提出灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）和S变换结合算法进行故障特征提取,将模拟电路高维原始数据降为8维故障特征;选取支持向量机（Support Vector Machine,SVM）分类器模型进行故障诊断,解决了模拟电路输入和输出信号间存在非线性映射关系导致的诊断困难问题;提出粒子群（Particle Swarm Optimization,PSO）和粒子滤波（Particle Filter,PF）组合优化算法对SVM参数组合（）C,g展开寻优;选取两个国际基准电路进行实验验证,提取出模拟电路输出端工况正常和异常状态下的原始数据,将S-GLCM提取出的故障特征带入优化后的SVM模型中完成训练和测试,验证所提方法的可行性和有效性,实验结果表明,基于PSO-PF-SVM的模拟电路故障诊断方法加快了模型收敛速度,诊断准确率得到较大提升。传统时频分析方法易丢失部分信息,处理数据时具有局限性,为提高故障特征提取能力,选取堆叠降噪自动编码器（Stacked Denoising Auto Encoder,SDAE）完成故障特征提取和数据降维,形成每组15维故障特征;提出改进量子遗传算法（Modified Quantum Genetic Algorithm,MQGA）应用到SVM参数寻优中,解决了SVM模型参数选配困难问题,选取上述相同电路进行实验验证,实验结果表明,SDAE算法特征提取能力较强,基于MQGA-SVM的模拟电路故障诊断方法诊断率较高,较未优化算法有所提升。