非线性模拟电路智能故障诊断的本质是模式识别，其核心是提取电路的特征。基于泛函级数和人工智能的诊断方法因实用性较强而受到重视，在实际应用中普遍采用基于Wiener泛函级数和Volterra泛函级数的智能诊断方法。考虑到Volterra核获取困难、存在着测试激励选择的问题，而Wiener级数是一种正交展开，且只需采用高斯白噪声作为激励信号，Wiener核获取相对容易，因此本文采用基于Wiener核的非线性模拟电路故障诊断方法。为提高故障诊断的效率，本文研究基于Wiener核和神经网络的故障诊断方法，确定诊断的步骤；针对Wiener核的求解，本文研究离散Wiener核的获取方法和Wiener核间接获取方法；针对诊断过程的关键环节，研究并改进了退火、粒子群算法，给出粒子群退火混合优化算法，并通过仿真对该算法予以验证，仿真结果表明该优化算法性能明显提高；研究基于该算法的Wiener核故障特征提取方法，并进行了实验验证，结果表明Wiener核特征参数经过提取后维数减小，特征得到压缩，故障诊断的准确率得到提高。在理论研究的同时，本文设计了基于DSP的故障诊断仪和基于PC的诊断应用软件，以此为基础组建了基于Wiener核的故障诊断系统，采用该系统对本文研究的故障诊断理论的进行验证，实验证明方法可行。