模拟电路的故障诊断理论自1970年开始研究以来,取得了很多成就,然而由于模拟电路故障诊断自身的困难,导致该领域的研究在相当长的一段时期内,进展一直比较缓慢。传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用,但对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统,则存在较大的局限性。随着神经网络等人工智能技术的发展,基于神经网络的模拟电路故障诊断方法已经成为新的研究热点。本文就神经网络在非线性模拟电路故障诊断中的应用进行了深入的研究,以模糊神经网络为主要研究对象,并对BP神经网络与模糊神经网络的仿真结果进行比较,以得出结论。本文综述了模拟电路故障诊断技术的发展历程研究现状,分析了多种现代诊断技术的优缺点。分别对BP神经网络和模糊神经网络的神经元模型,网络结构以及学习算法进行了详细的描述。根据实例模拟电路的故障特征与电路元器件之间的非线性映射关系,本文在运用BP神经网络解决故障诊断非线性问题的基础上,提出利用串联型模糊神经网络解决模拟电路中元件容差引起的模糊性,研究提出了一种基于频率特性的串联型模糊神经网络诊断方法。仿真结果表明模糊神经网络能改善神经网络在非线性模拟电路故障诊断中的不足,在训练周期、收敛速度以及诊断率上都有明显提高。在数据预处理方法上本文通过对小波包变换的研究,对故障信号进行消噪处理并提取故障特征,改善了基于采样点方法提取特征的弊端。仿真结果表明小波消噪处理及特征提取方法能有效地提高模糊神经网络的收敛速度和故障诊断的准确率。