模拟电路故障诊断经过三十多年的研究和发展,形成了相应的理论和技术,但由于模拟电路的复杂性,这些理论和技术都存在一定的局限性。特别是对非线性模拟电路的故障诊断,由于缺乏通用的仿真验证方法,没有普遍适用的网络模型,导致电路的故障特性没有统一的计算和分析方法。神经网络,是一种模仿人脑及其功能的智能信息处理系统,具有学习、记忆、识别和推理等功能。它的并行性、自适应学习,及非线性映射能力等诸多优越的性能,使之广泛的应用于模式识别与函数逼近。故障诊断的核心是模式识别,而神经网络凭借自身的优势,解决了传统方法难以解决的复杂问题,成为模拟电路故障诊断的有效方法。另一方面利用小波在时、频域良好的局部特性,对故障信号进行特征提取并预处理后作为神经网络的输入。这样就大大减少了神经网络的输入层单元数,从而简化了结构,提高了诊断效率。随着小波理论的不断发展,以及神经网络的日益成熟,将二者结合应用于模拟电路的故障诊断,已成为热门的研究课题。本文以现代测试技术、信号处理、系统辨识等理论为基础,深入研究了基于小波神经网络的模拟电路故障诊断方法及其关键技术。从神经网络的学习、训练、仿真和结构设计等方面研究了模拟电路故障诊断;在故障信号的特征提取与数据压缩方面,引入了小波系数能量特征向量的方法;并在此基础上研究了基于Volterra频域核的非线性模拟电路的故障诊断方法。仿真结果表明本文提出的方法的可行性,诊断效率高,具有的理论意义和实用价值。