随着现代集成电子电路技术的不断发展,电子电路的规模也越来越大。电路的集成度越来越高,复杂性越来越高,电子电路系统发生故障的概率也随之增加,任何元件的故障都有可能导致整个系统偏离正常的工作状态。在大规模电子电路中,模拟电路部分最容易发生故障,由于电路的非线性,元件的容差等使模拟电路故障诊断建模困难,一直是大家研究的热点。研究怎样运用现代诊断技术从大规模电子电路中准确地诊断出其中发生故障的位置和元件,成了实际工程中急需解决的问题。本文主要研究内容如下:首先,研究分析现有模拟电路故障数据预处理技术的优缺点及适用范围,针对现有模拟电路故障数据预处理技术大都只利用了电路故障响应的时域信息,而忽略了频域信息这一特点,提出了二维故障诊断模型,并通过深度学习方法的特征提取能力构建诊断模型。利用一维时域信号构建时域-频域二维故障数据模型,把原始数据处理为可以通过卷积神经网络学习分类的数据模式。其次,对模拟电路故障诊断系统进行总体方案设计,设计了典型模拟电路中的故障,研究通过仿真获取故障数据的方法和通过数据库系统存储海量数据的技术。然后研究了故障数据的二维化处理方法,最后研究使用深度学习网络对处理后的故障数据训练和测试。然后,对典型的用于故障诊断的电路包括shallen-key带通滤波器电路,four-opa双二阶高通滤波器电路和,二阶four-opa低通滤波器电路和实验室项目中的宽频高精度放大电路进行故障仿真,获取故障数据以后将故障数据存入数据库中,以实现对数据的统一管理。最后,搭建系统测试平台,并编写数据库存储软件和深度学习训练测试程序,使用MATLAB软件作为卷积神经网络运行平台,对每种故障电路的相应单故障及多故障分别进行诊断得到每种故障的诊断正确率。通过对比其他故障诊断方法的诊断正确率,同时对数据进行可视化处理,验证本文中的模型及系统的可行性。