随着工业化和现代化进程的加速以及电子技术的高速发展，电路网络结构和规模趋于模块化和功能化，研究怎样运用现代诊断技术从模拟电路中准确地诊断出发生故障的电路支路和元件，成为工程实际中迫切需要解决的问题。虽然模拟电路故障诊断、数据融合技术和神经网络在各自的应用范围或者两两结合的领域取得了较快的发展，但是目前针对数据融合技术和神经网络相结合诊断模拟电路故障的研究还比较少。本文把数据融合技术和神经网络结合起来对模拟电路进行故障诊断，取得了一些成果。论文的主要工作内容和成果如下：（1）介绍了模拟电路故障诊断技术发展和现状，对现有的主要诊断方法以及近年来先进的神经网络理论和技术以及数据融合技术在模拟电路故障诊断领域中的应用进行了简单的论述。（2）对神经网络方法的基本原理及其在模拟电路故障诊断中的优势进行了详细的介绍，包括神经网络的分类和神经网络的学习规则。详细说明在电路故障诊断中应用最广泛的BP神经网的设计、训练和测试方法，并对一个两级RC耦合放大器电路例进行了测试、神经网络训练和诊断。（3）介绍了数据融合技术的概念、优缺点、基本方法及其在各个领域的应用情况。然后对于数据融合具体方法，着重研究了Bayes统计融合方法、Dempster-Shafer证据理论融合方法以及模糊集理论融合方法。最后采用基于待定系数法的隶属度构造法以及模糊融合的方法对实例电路进行了故障诊断。（4）提出了一种新的利用包含元件直流特性信息的静态工作点电压和包含元件交流特性信息的不同频率激励下输出电压峰值与输出电压峰值的比值两类信息进行数据融合诊断的方法，保证故障信息量的同时降低了获取难度。应用模糊数学的理论，通过模糊变换将两类故障信息通过两个神经网络诊断得出的故障隶属度进行决策层的数据融合，较好的解决了了单神经网络诊断信息量不足，由于电路元件互相影响而产生的故障诊断不确定性的问题以及待融合故障信息隶属度获取困难的问题，使得诊断准确率得到较为明显的提高。本文提出的基于数据融合和神经网络的方法可以实现对模拟电路的故障进行准确实时快速诊断，具有一定的实用价值。