电子电路技术作为现代工业社会的关键技术,其在通讯、机械、电力、军事、化工等领域具有广泛的应用。随着系统设备集成度越来越高,其后期的维护至关重要。人工、生产环境以及电子器件自身因素的影响,电路系统出现故障是不可避免的。研究适用于模拟电路的故障诊断方法具有非常重要的现实意义。本文研究了一种新的故障诊断方法。首先对模拟电路故障信息进行采集,再通过故障特征提取与分类,实现电路系统的预先诊断和维护,避免因为电子设备的故障而导致的重大损失。本文所研究的主要内容为:针对故障特征信息数据量大,易受噪声干扰等问题,采用一种联合主成分分析和小波包变换(Principal Component Analysis and Wavelet Packet Transform,PCA-WPT)的方法。首先,采用PCA方法对原始样本故障信号进行降维处理以减少冗余信息;其次,对降维后的数据实施小波包分解,采用软阈值法去除高频噪声等干扰后通过小波包逆变换信息重构,用各频带下的能量构造特征向量作为故障特征向量。为了有效提高故障检测正确率和加快网络收敛速度,采用了一种基于模糊理论的BP神经网络方法。在传统的网络模型中加入了附加动量项,降低了使用梯度下降法调整权重而使网络陷入局部极小值的问题,将故障特征信息经过模糊化处理后输入到改进的网络模型中进行学习和训练,最后通过实验证明了本文所提方法的有效性。