深度学习是指通过一些特定的训练方法对样本数据进行训练,从而得到一个含有多层级的深度网络结构的机器学习过程。随着大数据时代的到来,深度学习已经成为了当前人工智能领域的一个研究热点,在语音、图像、行为识别和NLP等多个领域都取得了成功的应用。与不同对象相适应用的深度学习模型不同,本文以深度学习为主体,基于VGG16和DBN模型,研究其在模拟电路故障诊断、混沌电路控制和PID参数整定中的应用。针对模拟电路易发生故障,却不易诊断的问题,提出一种基于VGG16的故障诊断方法来进行故障诊断;针对电路容易出现混沌现象且难以进行控制的问题,提出了一种基于DBN的混沌电路追踪控制方法;针对PID参数难以整定的问题,提出一种基于LOGFA-DBN的PID参数整定方法。本文所做的主要研究工作如下:(1)提出一种基于深度学习的模拟电路故障诊断方法。为了改善传统的模拟电路故障诊断方法其故障识别分类精度不高或者可识别种类较少的问题,提出了一种基于VGG16的模拟电路故障诊断方法,该方法首先将采样的原始数据制作成语音形式,然后通过时频域变化转化为语谱图,最后再将其送入VGG16模型中进行训练与测试。并将Sallen-Key低通滤波器作为测试电路进行仿真实验,实验结果表明,本论文提出的故障诊断方法在保持多种类故障情况下同时可以达到高精度。(2)提出了一种基于深度学习的混沌电路追踪控制方法。为了解决传统混沌控制方法进行混沌控制时需要使用系统数学模型的局限性,提出了一种基于DBN的混沌追踪控制方法。该方法通过DBN对混沌系统进行充分学习,得到一个高精度的拟合函数,然后将拟合函数和追踪的参考信号组成一个控制器,加入到系统函数方程中,从而达到对混沌系统的追踪控制。并以本文提出的一个新六维混沌系统作为测试电路进行仿真实验,实验表明该方法消除了进行混沌控制时系统数学模型必须已知的局限性,可以对任意信号进行追踪,同时也适用于其他混沌系统该方法。(3)提出了一种基于深度学习和改进萤火虫算法的PID参数自整定方法。为了解决PID参数难以整定的问题,将DBN和基于万有引力定律的改进萤火虫优化算法进行融合,提出了一种新型的自整定算法。采用异步电动机作为仿真模型进行仿真实验,实验结果表明与遗传算法和FA算法相比,该算法的整定速度更快速且更稳定。最后搭建了基于LOGFA-DBN的电机PID参数整定GUI仿真实验平台,加强了算法的应用可能性。