随着问题模型，深入研究了故障信号特征提取和模式识别两个构成模拟电路系统诊断问题模型的重要步骤，提出了基于预处理和提升小波包变换算法的特征提取方法，基于改进粒子群算法与最小二乘支持向量机相结合的模拟电路系统诊断问题模型方法以及基于强关联的分数阶傅立叶变换与极限学习机的模拟电路系统诊断问题模型方法。均获得一定的成果，提高了模式识别分类识别精确度。本文的成果如下：　　（1）针对模拟电路具有的元国民经济水平的极大提高，人们对电子应用领域产生了更加广泛的认知与深入的了解。本课题针对模拟电路的系统诊断器件存在容差、故障模型极端复杂多样、故障信息不完整和故障信号非平稳非线性等难点，提出了基于预处理和提升小波包变换算法的特征提取方法。该方法首先对待测的电路诊断问题模型的初始信号运用预处理过程，使信号在接下来的处理中更加高效。接着利用提升小波包分解对信号向量进行多分辨率分析处理，同时利用正则化等措施对小波谱能量等故障特征向量进行二次处理。　　（2）针对支持向量机泛化能力不足的特点，提出了基于改进粒子群算法与最小二乘支持向量机结合的模拟电路系统诊断问题模型算法。该方法针对待诊断的模拟电路提取故障信号向量作为模式识别的输入样本集合，通过对过去粒子群方法存在难以跳出局部极小值以及早熟收敛或停滞等现象问题作出整体判断，提出出利用优化模拟退火算法改进粒子群－最小二乘支持向量机的算法。该方法改进了电路诊断问题模型的模式识别成果，极大改善了电路故障问题分类模型的准确度和能力。　　（3）对于目前模拟电路故障识别中遇到的系数优化的难题，论文提出了基于强关联的分数阶傅立叶变换与极限学习机的模拟电路系统诊断问题模型算法。该方法将原始模拟电路数据映射到适合的分数阶域，利用类间距作为分类依据；通过极限学习机作为模式识别的方法对提取的特征进一步分类，而针对分数阶傅立叶变换中的分数阶p值、极限学习机选择最优的输入权值矩阵和隐含层偏差，论文通过遗传算法同时进行优化，增强模拟电路的特征提取和模式识别之间的相关性，提高分类识别率。