随着电子设备规模的增大与电路结构复杂性的增加,模拟电路的测试和故障诊断越来越困难。近年来,研究人员试图从数据和模型两个角度来研究测试方法以提高模拟电路故障诊断的准确率。通过对电路可测性的研究,学者们发现测试点的选择是一种有效提升数据分辨率的手段。目前对测点选择的研究大多是基于整数编码表进行的,但由于整数编码表是通过设定电压阈值来判断故障的可分性,这种方法对于一些表现相近的故障无法精确的度量;且目前的测点选择算法难以平衡测点数和故障隔离数之间的关系,导致有冗余测点。故障诊断模型大多是采用人工特征提取,然后利用一些简单的分类器进行分类,这使得模型构建与具体电路相关,难以泛化到其他的电路上。本文将模拟电路的测点选择与故障诊断结合起来,研究一种基于测点选择的模拟电路故障诊断方法。具体而言,针对电压阈值设定问题,提出了一种基于聚类的故障混叠度计算方法,用于精确度量故障间的模糊程度。在此基础上,研究设计了一种模拟电路多目标测点选择方法,用于平衡测点数和隔离的故障数量之间的关系,以在尽可能少的测点数量下获得最大的故障隔离数。最后,基于选择的多测点数据设计了一种卷积神经网络模型,利用多尺度卷积以提高特征提取能力,引入注意力机制以进一步增强故障诊断的准确率。为验证本文测点选择方法和故障诊断方法的有效性,对四个基准电路进行了实验验证。实验结果表明,本文方法可以在尽可能少的测点下获得最大的故障隔离数,且针对不同数量的测点组合可以给出多种选择,使得测试人员可以更加灵活选择测点。在单测点数据下故障诊断的准确率有2%左右的提升,而在多测点数据下复杂电路的准确率相较于单测点提升10%左右,有效提高了模拟电路的故障诊断准确率。