集成电路技术的不断发展，使得系统中电路不断往大规模方向发展，在增加电路系统复杂度的同时，也带来了电路测试的一系列问题。据研究，现在电路系统的测试成本已经远远的超出电路系统的研制成本，虽然电路系统中模拟电路所占的比例只有整个电路的20%，但是故障率却占到80%，并且由于模拟电路元器件的容差和非线性等特点，导致模拟电路故障测试技术相较于数字电路发展缓慢。而且随着电路集成度的提高，传统的模拟电路故障诊断技术越来越不满足现代电路测试的需求，研究新的模拟电路测试技术迫在眉睫。近年来由于人工智能算法的兴起，大部分学者将人工智能算法引入到模拟电路故障诊断中，因此为模拟电路故障诊断技术的发展带来了新的思路。本文以人工智能算法为测试方法，以两个国际基准电路Sallen_key和CTSV电路为验证对象，以云模型为基础从电路特征提取以及电路故障诊断两方面出发，对模拟电路有关的测试方法进行了研究。本文涉及的工作和主要内容如下：
　　(1)模拟电路特征提取的研究。特征提取是对电路进行故障诊断的一项关键技术，特征提取的优劣直接影响到模拟电路的故障诊断结果。针对模拟电路存在的非线性和非平稳性，以及电路故障诊断时存在的模糊性与随机性问题，并且通过对局域均值分解算法(Local Mean Decomposition，LMD)和云模型的研究，提出了一种结合局域均值分解算法和云模型的模拟电路特征提取方法。该方法首先通过LMD算法对模拟电路的原始信号进行分解，然后利用逆向云发生器提取所选取的分解信号的三个数字特征值。在使用该方法进行云数字特征值提取时，不但大大的压缩了模拟电路的特征维数，同时也丢失了电路的部分细节信息。而且传统的逆向云发生器在求解云数字特征时误差大、稳定性不强。因此为了使云特征数据能更好的反映模拟电路的本质信息，以及增加逆向云发生器的稳定性和减少求解云特征数据的估计误差，提出了另外一种特征提取法，即相空间重构(Phase Space Reconstruction，PSR)优化多步逆向云算法。该方法在进行特征提取时，对三个云数字特征值的求解过程进行了改进，并用PSR技术对其进行了优化。通过与结合LMD云模型的特征提取方法相比，模拟电路故障诊断率得到了有效的提高。
　　(2)模拟电路故障分类的研究。本文通过对最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)的逐渐深入研究，发现LSSVM的核函数参数以及惩罚因子是影响分类效果的重要因素。又因为人工蜂群算法(Artificial Bee Colony algorithm，ABC)具有良好的全局寻优能力，所以在进行故障诊断时使用ABC算法对LSSVM的参数进行优化，并成功的构建了ABC-LSSVM的故障诊断模型。但是标准的ABC算法在对LSSVM的参数进行优化时使用随机赋值的方法会对ABC-LSSVM网络的稳定性有一定的影响，因此本文使用反向学习机制对ABC算法的初始化进行改进。另外为了增加ABC算法解的多样性和增强其探索能力，使用云模型改进ABC算法的概率选择机制，同时为了改进ABC算法的寻优速度，使用最优个体对标准ABC算法的搜索方式进行引导。因此提出了最优引导反向云模型算法(OptimalGuidanceReverseCloudModel，简称GRC)优化ABC算法，并构建了GRCABC-LSSVM模拟电路故障诊断模型。通过与ABC-LSSVM比较，GRCABC-LSSVM具有更快的收敛速度，而且也得到了更好的模拟电路故障诊断效果。