随着深度学习技术的不断发展,基于深度学习的故障诊断得到了比较广泛的应用。但这类诊断方法的故障知识一般均通过训练故障样本获得,因此故障样本中故障特征的有效程度对故障诊断的准确率和效果有直接影响。目前故障特征提取仍然主要依靠专业人员根据UUT(Unit Under Test,被测单元)特点自行提取。但由于模拟电路中故障数据一般是连续的响应信号,且由于元器件参数容差和噪声的存在,使得特征工程需要构建复杂的数学模型,同时需要测试人员具备较强的专业知识才能提取到较为有效的故障特征。为了提高特征工程的通用性、降低故障诊断特征提取的人工成本,本文提出了一种将采样数据直接输入到卷积神经网络自动提取故障特征的方法。本文选取了专为手写字体识别设计的高效模式识别卷积神经网络的经典结构Le Net-5,修改了Le Net-5的隐含层层数、卷积核及池化层的大小和个数。选用四运放高通滤波电路作为实验电路,使用Pspice中的交流分析结合蒙特卡洛分析获得电路中各个故障模式的电压响应仿真数据作为网络输入数据,调整网络参数,采用两种不同改进方案。方案1缩小了卷积核的大小并增加了卷积核的个数,方案2保持Le Net-5原有的卷积核个数并使用较大的卷积核,方案1和方案2都使用RELU函数替换Le Net-5原有的tanh激活函数。分别对两种方案进行识别训练,分类结果表明,使用改进后网络结构的准确率最高可达98.3333%。研究表明,利用卷积神经网络直接读入故障响应数据能够有效进行故障分类判断,不仅可以自动提取故障数据中的特征,而且能够提高特征工程的通用性,从而大大降低了故障特征提取阶段的人工成本和复杂程度。