模拟电路故障诊断起始于20世纪60年代,发展至今,已有很多优秀的人工智能算法应用其中,如：专家系统、模糊理论、神经网络、支持向量机等。但由于模拟电路故障现象的多样性、元件参数的离散性和广泛存在的非线性等原因,这些算法都存在训练时间长、知识动态更新能力差的不足。人工免疫系统(AIS)是一个具有高度非线性的、连续时间自适应的信息处理系统,而且AIS具有多样性寻优能力、分布式存储能力和自学习、自组织能力,其特性非常适合模拟电路的故障诊断。本课题通过研究人工免疫技术,改进了一种克隆选择算法；以小波分析为基础,研究了适合克隆选择算法的故障特征提取技术；并将技术分别应用于仿真模拟电路和实际工程电路,结果表明算法是有效、可行的。首先,对人工免疫技术的三大主流技术方向的算法：反向选择、免疫网络和克隆选择算法,从原理和流程上作了概要性的介绍,并分别指出算法中的优缺点。其中重点阐述了克隆选择算法的内容,该算法依次训练出单故障中心的方式,能有效的用于解决知识的动态更新问题,而且算法的收敛速度快,训练代价也小。针对当前克隆选择算法的不足,也提出了相应的改进方案。然后,以四运放电路为实验电路,通过Morlet小波与Haar小波两种小波分析方法在多个方面比较及提取相应的故障特征,结合改进的克隆选择算法研究了模拟电路故障诊断中的特征提取方法。实验结果表明,提取的故障特征越详细,诊断正确率越高；同时,单点与多点采样同样有效说明单点输出诊断的可用性和有效性很高,这对大规模模拟电路故障诊断中采样点的选取具有一定的指导意义。最后,基于改进的克隆选择算法和提取故障特征的小波技术,实现了一个综合性的模拟电路故障诊断系统。通过仿真模拟电路和实际工程电路,验证了改进的克隆选择算法的可行性和有效性