电子电路在汽车、航天、制导等领域发挥着重大作用,是组成各类电子产品的基本结构。随着电子产品复杂程度增加,电子电路结构愈加复杂,给电路故障诊断带来了巨大的挑战。传统的电路故障诊断技术主要依靠人工识别,需要大量经验知识,实时诊断效率低。为简化电路故障诊断流程,减少工作量,提高电子电路故障实时诊断效率,本文提出一种基于长短期记忆网络（Long and short term memory networks,LSTM）的电路故障诊断方法并将其用于电子电路故障诊断。为了提高模型故障特征提取能力,在此基础上引入卷积神经网络（Convolutional Neural Network,CNN）,搭建了基于CNN-LSTM融合技术的电路故障诊断模型。本文的主要工作内容如下:（1）给出了电路故障样本数据集的构造方法,采用灵敏度分析法对电路元器件进行分析,分别考虑单故障和复合故障两种情况,每种情况选出八种电路故障类型作为研究对象,再利用PSpice软件进行蒙特卡洛仿真,完成电路故障原始样本数据集的制作。为了便于观察电路故障数据集信息,使用主成分分析法（principal component analysis,PCA）对其进行了可视化处理。（2）为降低电路故障诊断方法复杂度,提高电路故障诊断效率,将善于处理序列数据的LSTM网络和SOFTMAX分类器结合起来对电路进行故障诊断。通过对LSTM网络模型参数进行分析,在Keras深度学习库上搭建了以Tensorflow为后端的LSTM-SOFTMAX电路故障诊断模型。（3）为了进一步提高电路故障诊断准确率,增强模型泛化能力,对LSTM-SOFTMAX模型进行优化,在此基础上引进CNN对数据集进行处理,采用小卷积核对数据集数据进行特征提取,提出一种基于CNN-LSTM融合技术的电路故障诊断方法,可以解决LSTM-SOFTMAX模型故障特征学习不充分问题。实验结果表明,本文提出的基于CNN-LSTM融合技术的电路故障诊断方法可以获得较高的电路故障诊断准确率,该方法不需要过多人工干预,也不需要研究人员具备深厚的电子电路专家经验,采用该方法搭建的电路故障诊断模型具有较强泛化能力以及实用性。