近些年来,得益于电力电子技术的进步,电力电子系统的应用领域正逐渐扩大。电力电子电路作为电力电子系统的关键组成部分,它的故障将会导致系统故障,严重时会使系统瘫痪,造成重大损失。因此,电力电子电路及其所在系统发生故障时,快速且高效的故障诊断方法极为重要,这使得电力电子电路故障诊断技术被广泛关注。随着人们对高功率密度和低损耗电力电子系统的不懈追求,以碳化硅（Silicon Carbide,SiC）为主的新型功率器件应运而生。为了更加可靠的应用SiC基功率器件,对其参数特性进行研究很有必要。本文首先研究了两种算法改进的宽度学习网络,用于典型电力电子电路故障特征提取及诊断中。其次分析了SiC MOSFET的通态电阻特性,并利用神经网络估算SiC MOSFET通态电阻。（1）首先,详细介绍了宽度学习网络的原理和整体流程,分别使用遗传算法和粒子群算法改进宽度学习网络结构,提高了宽度学习网络的整体性能。针对AC/DC型功率变换器功率开关管开路故障,设计了基于改进宽度学习的功率变换器故障特征提取方法;（2）其次,应用Cadence/PSpice仿真软件设计了AC/DC型功率变换器仿真模型,将功率变换器中变压器原边电流作为监测信号,设置仿真模型的故障模式,保存故障数据。验证了用遗传算法和粒子群算法优化宽度学习网络的有效性。设计实际硬件平台,将两种改进宽度学习网络用于实际功率变换器故障特征提取中,并与仿真实验结果进行对比;（3）最后,在Cadence/PSpice仿真软件中设计了SiC MOSFET通态电阻测试电路仿真模型,研究了温度、栅极电压和漏极电流对通态电阻的影响。设计实际硬件平台,验证仿真结论。然后,提出基于神经网络的SiC MOSFET通态电阻预测模型。比较SiC MOSFET通态电阻的实际测量值与模型的预测值,根据两个通态电阻的差值,对SiC MOSFET器件进行可靠性评估。