随着电子电路的发展,电路集成度的不断提高,人们对模拟电路故障诊断提出了更高的要求。但由于模拟电路本身具有容差、非线性和故障现象多样性等特点,使得模拟电路故障诊断成为电路发展的热点和难点。在模拟电路故障诊断中,故障特征向量的提取和故障模式识别是研究的重点与难点。但模式识别过程中获得的原始数据往往包含大量的冗余信息,会影响故障诊断的效率和准确率。因此,模拟电路故障诊断的一个关键点是如何有效地提取模拟电路的特征向量。本文以模拟电路故障特征向量提取为出发点,研究了基于Treelet变换和混沌神经网络的模拟电路故障诊断方法。主要工作如下:(1)介绍了小波分析和层次聚类等故障特征提取方法。重点研究了一种新的模拟电路故障特征提取方法即Treelet变换。Treelet变换是一种将PCA、小波分析和层次聚类结合在一起的自适应的多尺度的数据分析方法,特别适用于高维数据的降维。通过对这几种特征提取方法进行研究和对比,证明基于Treelet变换的模拟电路故障诊断率相比其他方法要高。(2)介绍了人工神经网络的原理及应用,对BP神经网络的结构、学习算法进行了研究,针对BP神经网络收敛速度慢、容易限于局部最小的特点,提出了混沌神经网络,利用混沌的特性构造神经网络,使神经网络具有混沌特性,优化网络结构。(3)将Treelet变换与混沌神经网络结合应用于模拟电路故障诊断,故障诊断结果与BP神经网络和小波神经网络方法相比,本文方法在模拟电路故障诊断中比BP网络、小波神经网络诊断精度更高,收敛速度更快。