随着半导体技术的飞速发展,现代电子系统中使用的模拟电路集成度和复杂度不断提高,功能也不断增强,其出现故障的概率也不断增大,因此研究人员提出了不同类型的电路故障诊断方法,以保证模拟电路具有良好的可用性和可靠性。在这些方法中,基于支持向量机的模拟电路智能故障诊断方法具有坚实的理论基础和推广特性,能够解决有限样本的学习问题,已经成为电路故障诊断领域的研究热点。支持向量机使用单个核函数方法把非线性输入数据映射到高维空间使其线性可分,然而研究表明由于不同核函数性能上的差异,使其在各种数据集上分类效果差距较大,而核函数的选择和构造至今还没有完善的理论依据。另外,由于模拟电路自身的固有特性,使得故障样本集合具有数据不规则和高维特征空间分布不平坦的问题,采用单一核函数往往难以取得良好的诊断效果。针对以上问题,本文提出了一种基于多数据相关核的核矩阵优化策略,用于改进标准支持向量机对训练模型和参数过于依赖的问题,并将多数据相关核方法应用于解决模拟电路故障诊断问题中。首先,本文研究多核函数构造原理,使用核排列的方法优化多核算法中基本核函数的权重系数;然后,研究经验特征空间中的核函数优化方法,对核矩阵进行优化构造数据相关核;基于此提出了基于多数据相关核的模拟电路故障诊断方法,将多个基本核进行凸组合构造多核矩阵,并对多核矩阵进行数据相关核优化,利用优化后的核矩阵替代标准支持向量机的单一核函数,以提高故障诊断方法的诊断准确率。最后,论文利用Hspice软件对几个典型的标准电路进行了仿真实验,在电路中注入常见故障类型,使用Haar小波变换、PCA等方法进行特征提取,获取故障样本集,以验证论文中提出的基于多数据相关核的电路故障诊断方法的有效性。仿真实验结果表明,同基于标准支持向量机,基于多核函数以及基于数据相关核的模拟故障诊断方法相比,本文提出的基于多数据相关核的模拟电路故障诊断方法在标准电路集上能够取得更好的故障诊断准确率和极短的诊断模型建立时间,并且在此基础上可以提高诊断效率。