在现代电子技术与电路集成工艺高度发展的今天,电子产品在人们的生活之中可以说是随处可见,可一旦电子设备发生了故障,将会给人们的生产生活带来巨大的影响,如何保证电子设备运行的安全与稳定,是人们需要重视的一项工作。但是由于模拟电路本身所具备的连续性、非线性以及容差性等特点,电路故障诊断技术的发展一直处于一个瓶颈状态,传统方法已经无法满足如今高集成化高复杂度的电路了。因此,如何借用现代人工智能技术席卷而来的浪潮,为模拟电路故障诊断技术的发展寻求新的突破,是当今研究学者们为之努力的方向。在模拟电路故障诊断技术中,故障的特征提取与模式识别是尤为关键的两个环节,如何能提取到反映关键信息的故障特征,以及构造高效精准的故障模式识别器是人们主要的研究方向。本文将电路的故障特征提取作为重点研究方向,主要内容如下:首先,本文概述了模拟电路故障诊断技术的研究背景以及发展历程,介绍了一些比较常见的故障诊断方法。设计了一种结合时频域统计信息的故障特征提取方法,介绍了神经网络的工作原理及相关算法,建立了仿真模型并设计相关实验来验证时频域参数融合法的有效性。其次,研究了小波变换与小波包分解的理论知识,将小波包分解与多分辨分析方法应用于电路的故障特征提取中,对小波包分解之后的各频带分量进行重构,并进一步的计算各重构信号的能量,以此作为原始信号的特征向量集,输入BP神经网络进行训练与测试,结果表明该方法能有效的提高故障诊断的精度。最后深入探索了EMD（经验模态分解）结合复合多尺度熵提取电路故障特征向量的方法。EMD算法不需要对原始信号做任何的预处理与分析,只需依据数据自身的时间尺度特征就可以将一个频率非常复杂的原始信号分解为多个单频率的分量信号,适合处理非线性非平稳信号。多尺度熵反映了原始序列在不同尺度下的复杂程度和自相关性,具有较强的抗干扰能力,针对其可能出现的粗粒化序列过短而导致的熵值计算不精确等问题,进一步研究了改进的复合多尺度熵算法。本文结合EMD算法与复合多尺度熵来实现对电路故障特征向量的提取,设计仿真实验加以验证,最终的诊断正确率达到了99.44%,将本文方法与其他文献中的方法进行对比,结果表明EMD算法结合复合多尺度熵的故障特征提取方法有着明显的优势。