随着现代电子设备中模拟电路复杂度和集成度不断增加,其可靠性和可维护性十分关键。但模拟电路存在可测节点少、电路信息冗余度高、容差性、非线性以及故障多样性等问题,使得模拟电路故障诊断发展缓慢。本文主要研究支持向量机(SVM)应用于模拟电路故障诊断,但其惩罚参数C和核参数g的选取不同严重影响其分类性能,为此,分别提出了基于改进粒子群算法和改进引力搜索算法来优化SVM的参数,并对线性和非线性模拟电路进行了仿真和实验验证。本文的主要研究内容如下:首先,研究模拟电路的故障诊断方法和用于优化SVM参数的群智能算法。通过分析模拟电路故障的特性,构建SVM进行故障诊断模型,利用小波包分解进行特征提取,群智能算法来优化SVM的两个参数,以获得最优的故障分类效果。其次,对易于陷入局部收敛的粒子群算法进行改进,通过引入新的动态惯性权重、全局邻域搜索、收缩因子和遗传算法中的变异操作,提出了一种基于改进粒子群(IPSO)算法优化SVM参数(IPSO-SVM)的改进型分类器。分别采用线性和非线性模拟电路进行故障诊断的仿真和实验。结果表明IPSO-SVM分类器的分类效果优于GS-SVM、AFSA-SVM、GA-SVM和PSO-SVM分类器,具有较强的全局收敛能力和较快的收敛速度。最后,为进一步提高模拟电路故障诊断的效率,缩短分类时间,通过引入粒子群算法中的惯性权重和全局记忆性、时变引力搜索策略和边界变异策略,提出一种改进引力搜索算法(IGSA)来优化SVM参数(IGSA-SVM)的改进型分类器,并用三个UCI数据和两个模拟电路验证其分类效果,结果表明IGSA-SVM分类器能有效地防止局部收敛并缩短了故障诊断的分类时间。