模拟电路测试和故障诊断自20世纪60年代以来，一直是研究的热门领域，但由于模拟电路的故障类型比较复杂，电路中的元件参数容差大，且易受外界干扰，网络中的非线性元件引起的非线性问题广泛存在，以及测试设备的不理想输出等原因，使得模拟电路故障诊断变得有一定难度。以神经网络为代表的人工智能作为一种自适应的模式识别技术，通过自身的学习机制自动形成所要求的决策区域，为模拟电路故障诊断提供了一条有效途径，受到学术界的广泛关注。本文研究了基于神经网络的模拟电路故障诊断的一般方法和诊断步骤，探讨了BP神经网络的结构设计、训练算法以及用于故障诊断的优势，结合神经网络技术的最新研究成果，遗传算法可以克服BP网络不易收敛和易陷入局部最小点的缺点，小波分析，能够有效的处理输入数据，提取故障信号的特征向量，故构造出基于小波分析和遗传神经网络的模拟电路故障诊断方法。本文以神经网络为主线，以多功能滤波器电路为研究对象，将小波变换和遗传算法相结合应用于模拟电路的故障诊断中，使用ORCAD和MATLAB软件对故障诊断过程进行具体仿真实现。在对电路进行诊断过程中，用小波作为预处理工具，经归一化和主元分析后，有效地减少了神经网络的输入维数；然后用遗传算法优化BP神经网络的权值和阈值，很好地克服了BP网络的缺点，改善了神经网络结构。仿真结果表明：小波分析，能够有效的处理输入数据，提取故障信号的特征向量，缩短了故障诊断的时间，经遗传算法优化后的BP神经网络结构得到极大的改善，训练步数大大减少，提高了辨识故障类别的能力。该方法为模拟电路故障诊断提供了一种有效的故障定位途径。