模拟部分的故障诊断是混合信号集成电路故障诊断的瓶颈,制约着整个混合电子系统故障诊断技术的发展,所以模拟电路故障诊断问题一直是一个研究的热点,也具有极其重要的现实意义。在统计学习理论基础上发展起来的支持向量机(Support Vector Machine,SVM)是目前模式识别领域中最先进的机器学习算法之一。由于采用了结构风险最小化原则代替经验风险最小化原则,支持向量机能够较好地解决小样本学习的问题；又由于采用了核函数思想,使得非线性空间的问题可以转换为线性空间的问题,降低了算法的复杂度。本文研究的是基于复合核函数支持向量机的电路故障诊断方法,就是将人工智能和机器学习理论中最年轻的部分——支持向量机应用于电路故障诊断技术中。核主元分析(Kernel Principal Component Analysis, KPCA)通过某种事先选择好的非线性映射将输入矢量映射到一个高维特征空间中去,从而得到数据的非线性主元。本文应用核主元分析的方法进行待诊断电路的故障特征提取,实现了特征向量的降维。核函数的引入使得支持向量机算法有效应用于非线性问题的分类,而不同的核函数会导致不同的性能。本文重点研究了新的核函数构建,构造了三种新的复合核函数。在此基础上,给出了基于复合核函数支持向量机的电路故障诊断方法。开发了基于复合核函数支持向量机的电路故障诊断平台,实现了基于复合核函数支持向量机的电路故障诊断方法。选取四个不同的电路进行仿真,通过单一核函数与本文所构造的复合核函数进行对比,证明了本文提出的基于复合核函数的支持向量机的电路故障诊断方法的有效性和可行性。