随着科学技术的不断发展,生产工艺复杂程度的日益提高,电子设备出现故障的可能性也随之升高,提高模拟电路的故障诊断性能对电子设备及其发展有重大意义。但是由于模拟电路中电路非线性、故障多样性和电路元件具有容差等原因,使得模拟电路的故障诊断困难重重,目前存在的诊断方法诊断准确率低、性能差。因此快速且准确的定位模拟电路故障成为一个日益重要的课题。在模拟电路故障诊断过程中,故障特征提取和对故障诊断算法的参数优化是提高故障诊断性能的关键。本文应用小波包对故障进行特征提取,采用改进PSO算法对BP诊断算法进行参数优化。传统小波变换在递推过程中分解的并不彻底,仅仅保留了近似系数,并没有保留细节,使得小尺度的频率分辨率不高。而小波包在分解时不仅对信号的近似系数进行分解,同时对细节系数也进行分解,提供一种频带更加精细的解决方案,从而实现自动调整信号分辨率,具有构造灵活和运算实时性等特点,对时变信号的分析更加精确。常规的单一神经网络有其自身局限性,而基于WPT-GSA-BP以及WPT-PSO-BP的模拟电路故障诊断方法效果也并不是很理想。因此本文提出了基于IPSO与神经网络相结合的模拟故障诊断模型。针对标准PSO-BP算法易陷入局部最优等的缺点,从自适用权值和异步变化调节学习因子两个方面对标准PSO算法进行改进,使得算法更快收敛到全局最优解,用IPSO算法优化BP中权值和阈值两个参数提高诊断算法的性能。基于上述分析提出WPT-IPSO-BP的模拟电路故障诊断方法,并应用于25KHZ带通滤波电路中进行验证,将诊断结果与传统方法进行比较。理论研究和实验结果表明,本文提出的WPT-IPSO-BP故障诊断方法在故障诊断中诊断性能较好,与传统方法相比在诊断的准确率与快速性上有显著提高。