现代电子技术的高速发展和工业生产的迫切需要给模拟电路故障诊断提出了新的更具挑战性的要求。当前,以神经网络为代表的现代智能信息处理技术为模拟电路故障诊断提供了一条新的有效的途径,受到了广大学者和实践人员的广泛关注。本论文以核主元分析和脊波理论为基础,深入研究了基于新型特征提取方法的神经网络故障诊断系统和新型脊波神经网络故障诊断系统。本文的主要研究内容如下：(1)详细研究了一种基于最大类别分离度的核主元分析(KPCA)的神经网络故障诊断方法。这种新型的KPCA是将传统KPCA和最大类别分离度的方法进行结合,从而构成了一个具有最大分离度的改进型KPCA。这种方法能够使得样本数据的类内距离最小,类间距离最大,同传统的PCA和KPCA相比,它不但能够提取最有效的和最小数量的特征,而且能够使得神经网络分类器具有更小的结构和更高故障诊断正确率。(2)研究了脊波神经网络应用于模拟电路故障诊断的一般方法和过程,并给出了基于最速梯度下降法的详细训练算法。这种脊波神经网络是将脊波函数替代BP神经网络中的隐层激励函数构成的一个三层神经网络。这种脊波神经网络模拟故障诊断系统同BP神经网络和小波神经网络网络相比,具有更小的网络结构、更快的收敛速率和更高故障诊断精确率的特点。(3)提出了基于小波分形分析的故障特征提取方法和基于主元分析(PCA)的神经网络结构选择方法,这是对脊波神经网络的进一步研究。小波分形分析能够提取更具判别性的故障特征信息,使得后续的分类器很好地实施故障诊断；基于PCA的神经网络结构选择方法仅需要进行简单的线性代数运算,具有计算量小和实施简单的特点。这些方法减少了脊波神经网络的隐层脊波元的个数,降低了网络的运行时间和计算工作量,并提高了故障诊断正确率。(4)提出了一种线性脊波神经网络的体系结构及其相应的训练算法。它是对脊波神经网络结构的进一步改进,通过增加一个线性项构成一个新型的神经网络来实施模拟电路的故障诊断。同脊波网络和小波网络进行比较,这种线性脊波神经网络收敛速度更快、计算工作量更少和故障诊断正确率更高。仿真实例证实了本论文所提出方法的正确性和有效性。