自20世纪70年代中期以来，伴随系统级、主板级和芯片级的模拟电路快速发展，模拟电路故障诊断一直是研究热点领域。由于诊断模型的缺乏、元件容差以及非线性等问题，导致了模拟电路故障诊断的高难度和高复杂度。而传统的基于模型的故障诊断理论和方法在实际工程中很难达到预期的效果，以神经网络为代表的智能方法为模拟电路故障诊断提供了一条新的途径，受到学术界和工程界的广泛关注。本文针对经典RBF神经网络在模拟电路故障诊断中存在准确性较差的问题，提出了基于K均值聚类的遗传算法优化RBF神经网络参数方法。本文主要工作体现在以下几个方面：①针对模拟电路故障诊断的特征提取问题，通过对小波包的改进，实现了故障信号的细微变化和高频段畸变的分析，从而更精确地捕捉电路故障的原始故障特征。②针对经典RBF神经网络模拟电路故障诊断方法识别率低的问题，提出了隐含层节点数可变的RBF神经网络诊断方法，从而显著提高了RBF神经网络模拟电路故障诊断的识别率。通过数值实验，与BP神经网络的故障诊断性能比较分析，改进RBF神经网络在诊断速度和识别准确性方面具有明显的优势，说明了方法的有效性。③针对RBF神经网络模拟电路故障诊断方法的性能受参数影响的问题，提出了基于K均值聚类和遗传算法的参数优化方法。在优化问题的设计中，综合考虑诊断速度、准确性以及神经网络的复杂度，得到RBF的数据中心和宽度最佳设置，提高了改进RBF神经网络模拟电路故障诊断方法的工程应用意义。