随着电子技术的飞速发展,模拟电路的集成度越来越高,其应用也越来越广泛,这就对电路的可靠性和稳定性提出了更高的要求。当电路发生故障时,能否准确及时的对故障元件进行定位成为模拟电路可靠性的一种体现,因此对模拟电路的故障诊断进行研究有着重要的理论和实际意义。由于模拟电路的非线性以及模拟电路中电子元件的大容差问题,使得模拟电路的故障诊断比较困难。近年来,人工智能、信号分析等技术快速发展,并逐步应用于模拟电路的故障检测,并取得了一定的效果,本文也在此方面进行研究。模拟电路故障诊断本质上是模式识别问题,主要包含两方面的内容：特征提取和分类器设计。本文在模式特征方面采用基于状态变量组合的特征数据,通过采集电路中多个关键测试点的综合信息对故障进行描述,避免了单一测试点信息不充分的。然后使用具有良好局部时频分析特性的小波分析提取采样信号的时频联合特征,最大程度的表示信号的主要信息,同时采用PCA对小波数据进行降维。在分类器的设计方面,采用了仿生模式识别与纠错SVM相结合的二次分类器,充分利用仿生模式识别分类器的低误识率优势,将其作为前级分类器,在用SVM进行二次分类时引入了通信过程中的纠错编码技术,将对各个模式的识别看作是信息的传输,进而融入编码纠错技术,使纠错SVM分类器具有一定的纠错能力,从而可以纠正传输过程中一定数目的分类错误,提高了分类器的分类性能。最后本文使用上述方法对实际电路故障进行检测,取得了较好的分类效果,验证了本文提出的故障诊断方法的有效性。