当今社会电子产品越来越多，各种电子故障问题随之而来，其中由于模拟电路发生故障导致电子产品故障的情况占80%左右，因此模拟电路故障诊断问题一直是现代电子理论研究的热点和难点。由于模拟电路其本身的非线性、连续性等特性, 使得模拟电路故障模型的建立变得更加困难，因此依靠信号处理和解析模型的传统方法，已不能适应诊断需求。近年来，各种人工智能算法的不断发展为模拟电路故障诊断提供了新的思路，例如神经网络算法、支持向量机算法（Support Vector Machine，简称SVM）、蚁群算法（Ant Colony Algorithm）等算法，其本质问题是模式识别的问题，即对输入的特征向量集进行训练和分类，因此如何得到有效的特征向量和如何建立诊断机是当前模拟电路故障诊断研究中的两大研究热点。　　本文针对模拟电路的特点，结合已有的故障诊断技术，对组合优化算法进行研究。本文的主要内容和创新点主要体现在以下几个方面：　　（1）对模拟电路故障信号的预处理进行了研究，主要包括特征提取及特征降维。关于故障信号的特征提取，着重研究了多分辨率分析对原始信号的处理，具体的操作方法是对故障信号进行多分辨率分析（Multi-resolution Analysis，简称MRA），将得到的一个低频系数序列和多个高频系数序列求平方和，得到特征能量谱并构造特征向量；针对故障特征的降维处理，详细研究了主成分分析法（ Principle Components Analysis，简称PCA），并通过主成分分析法对特征降维。　　（ 2 ）提出了一种组合优化的模拟电路故障诊断算法。本文以 BP （ Back Propagation，简称BP）神经网络为基本诊断算法，首先针对BP神经网络易陷入局部极值等缺点，采用粒子群算法（Particle Swarm Optimization，简称PSO）进行迭代寻优从而进行优化；其次针对原始故障信号难以提取故障特征的缺点，以多分辨率分析对故障信号进行特征提取，得到特征向量，并利用主成分分析法减少特征向量维度，减少运算量。本文以四运放高通滤波电路为测试对象,对组合算法和传统算法进行比较。通过仿真验证该方法在模拟电路故障诊断的有效性和可靠性，结果表明能提高约10%的诊断准确率。　　（3）以支持向量机为分类器，研究了原理分析和智能诊断方法相结合的模拟电路故障诊断方法。该方法基于二级定位的思想，从频域分析和时域分析相结合出发，以四阶带通滤波电路为研究对象，首先对测试电路进行原理解析，观察待测电路的频谱特性，从上、下限截止频率的变化对故障进行初级定位。初级定位之后，故障范围进一步缩小，之后通过多分辨率分析提取电路故障信号的特征，形成故障特征集，最后采用支持向量机精确识别各种故障。实例结果表明，本方法可以快速有效的实现模拟电路故障的准确定位。　　（4）搭建硬件平台，以实际电路板测试数据进行模型验证。结果表明，针对实测数据诊断系统可以准确定位故障。