随着现代工业的发展,’特别是电子技术的迅速发展,电子系统的复杂程度越来越高,自动化程度也越来越高。电子系统中,数字电路所占的比例越来越大,但是模拟电路部分是不可替代的,而且电路故障中超过80%的故障都发生在模拟电路部分,模拟电路故障诊断成为了电路工业发展中的一个“瓶颈”问题。传统的模拟电路故障诊断方法具有较大的局限性,人工智能技术的发展为模拟电路故障诊断提供了新的思路与方法,特别是人工神经网络的发展在近几年的研究为故障诊断的发展起到了极大地推动作用。本文以人工神经网络为主要途径,结合一些相关领域的新理论和新方法,将神经网络应用于模拟电路故障诊断,研究了故障特征提取的方法,即故障信息的预处理方法,以典型的BP神经网络为例,采用遗传算法优化神经网络权值和阈值的方法实现故障诊断。本文的主要工作有：(1)利用电子电路仿真分析软件ORCAD完成原理图绘制,并用PSPICE对电路进行蒙特卡罗分析,获得各种故障模式下的故障信息,即训练样本集和测试样本集。(2)对电路进行灵敏度分析,找出对电路性能影响较大的元件,依据影响大小来确定故障类型并建立故障字典。(3)对获得的大量故障信息进行故障特征提取,本文采用了两种方法,一是运用小波分析法,二是统计学方法—因子分析法,两种不同的方法分别提取故障特征,进行故障信息的预处理,处理后的数据信息作为新的训练样本集和测试样本集输入到神经网络,将两种信息处理方法进行比较。(4)采用BP神经网络,用遗传算法优化网络权值和阈值,都选用单隐层网络,同样的期望误差,分别用两种方法提取的故障特征向量训练网络并仿真,经过遗传算法优化BP网络权值和阈值后的网络性能明显优于未进行优化的网络,体现出遗传算法在故障诊断中起到的关键作用。(5)小波分析特征提取法训练的神经网络准确的实现了故障诊断,因子分析法相对较差,但是统计学方法在此的应用可以得到更好的改进,达到预期的目的,小波分析法进行信息的预处理具有优越的性能。