模拟电路测试和故障诊断一直是近代电路领域的一个热门研究课题，发展至今已取得了丰硕的理论成果。随着电子工业的飞速发展，模拟电路故障诊断技术的重要性越来越突出，但模拟电路的元件参数具有容差、故障模式也表现出多样化和复杂性，传统的诊断方法在实际应用中难以达到预期的效果。目前，神经网络、小波分析和群智能算法等智能信息处理技术已成为新的研究热点，为解决模拟电路故障诊断中的诸多难题提供了一条有效途径。本文首先对模拟电路故障诊断的发展、现状及存在的问题进行了综述，针对模拟电路故障样本信息的获取问题，重点阐述了小波变换和小波包分析的故障特特征提取方法，通过仿真实例说明了小波包分析的优越性。神经网络具有良好的学习能力和逼近性能，被广泛应用于模拟电路故障诊断中，但其网络结构和模型参数难以设置。本文引入一种群智能优化算法—粒子群算法（PSO），提出了一种结合小波包分解、RBF神经网络和PSO算法的模拟电路故障诊断方法。该法用小波包分解提取电路的故障特征信息，用PSO算法寻优RBF网络模型的最佳参数，不仅减少了网络输入向量的维数，还避免了参数选择的盲目性，并用仿真实例表明本文所提方法的有效性和可行性。针对模拟电路故障诊断的特征提取和模式分类这两大问题，本文将多小波分析和极限学习机（ELM）相结合，提出了一种基于多小波-ELM的模拟电路故障诊断方法。该法利用多小波的对称性、正交性、短支撑性、高阶消失矩等优良特性，对故障特征信息进行有效的提取，然后输入到ELM网络中，进行故障模式分类。模拟诊断实例表明，该法在有效减少网络输入规模的同时，能够快速准确地实施模拟电路的故障定位。