近代科学技术的突破,带动了整个工业系统的进步,经过近代以来的大规模普及和使用,复杂的电子技术设备已被各个行业所接受,方便、智能、稳定的工作状态已成为了这个时代能够稳定前进不可缺失的保证,可靠、高效的故障诊断技术就显得尤为重要。在故障诊断领域,国内外众多研究学者进行了大量的研究工作,并且提出了一大批行之有效的诊断方法。但在实际的故障诊断应用中,由于环境或者条件的限制,会产生以下两个问题:(1)最优测点选取问题。在电路原始信号采集时,需要探究哪个位置的测点在采集数据时,能够保证采集到的原始信号能够包含电路所有故障特征信息,并且使得数据数量和维度最低;(2)故障信息的噪声干扰问题。通常采集到的原始信号中,故障信息会被大量的噪声所干扰,导致不易获得充足的故障样本,如何针对这些被干扰的故障信息进行故障诊断是个难点。针对以上两个问题,研究了两问题相应的产生机理之后,本文提出了一种基于最优测点和稀疏降噪自编码神经网络的模拟电路故障诊断方法。为解决最优测点选取问题,本文引入了基于敏感度因子和测点故障隔离组/度的最优测点选取方法,此方法可以获得整个模拟电路故障特征信息的最优测点组合,能够避免待选测点的大量无效运算,并且从最优测点处采集到的原始信号数据,具有信息量少、维度低和电路故障特征信号完整等特点;针对第二个问题,本文提出了一种稀疏降噪自编码神经网络的深度学习方法,此方法在使用过程中会在原始信号中添加一定概率分布的噪声,从而得到鲁棒性更好的训练模型,基于此方法的这一自身特性,上述的故障信息被噪声干扰问题也可以得到解决。为了验证最优测点选择方法和稀疏降噪自编码神经网络在模拟电路故障诊断中的有效性,本文在第四章进行了一次模拟电路的故障仿真实验,经过稀疏降噪自编码神经网络对从最优测点采集到的原始数据进行多次迭代运算,最终得到分类结果,通过对实验中平方误差的描绘曲线和分类识别结果的分析,充分说明本方法在模拟电路故障诊断中的准确性和有效性。