随着电子技术的飞速发展,电子设备被广泛应用于航天、医疗等各种领域。电子设备的广泛应用使其在复杂多样甚至极端的环境中工作,对其可靠性要求也日益提高。一旦电子设备发生故障,国家安全和人民生活将会受到严重的影响,造成巨大的经济损失。众多学者针对故障诊断进行了深入的研究,模拟电路中的故障是由早期微小的故障逐渐发展而来,如果任凭早期故障发展而不采取措施,必然会导致电路发生故障。早期故障和故障都给电路性能和系统特性带来很大的影响,将早期故障和故障称为异常。目前,在模拟电路测试与诊断中,对于异常状态的研究较少,对电路中异常情况的检测缺乏有效的方法,而传统的基于多分类的故障诊断方法对于电路的异常检测难以取得理想的效果。本文针对传统的故障诊断方法对于模拟电路异常状态检测率低的问题展开研究,重点研究了单类学习方法支持向量数据描述的理论基础,使用网格搜索和交叉验证的方法对影响数据描述边界的两个重要参数惩罚系数C和核参数?进行优化,为获取最能表征电路特性的信息,使用小波变换的方法对原始数据进行特征提取。本文将SVDD方法应用到模拟电路的异常检测中,为充分验证SVDD方法的有效性和通用性,选择四个结构复杂程度不同的国际标准电路进行了仿真实验和硬件实验,并将某装备电源电路板作为研究对象,将SVDD应用到直流电源电路的异常检测中。实验结果表明,SVDD相对于传统的故障诊断方法对电路的异常状态的分类准确率大大提高,而对比于其他单类学习方法Kmeans,对正常状态和异常状态都有较好的分类效果。本文中选择了不同的电路对象进行实验,对比了不同的分类方法,充分验证了SVDD方法在模拟电路的异常检测中的有效性和通用性。