模拟电路的可靠性决定了电子设备系统的可靠性,因此,提高模拟电路故障诊断水平具有重要的现实意义。随着模拟电路复杂度和密集度的不断增长,模拟电路故障诊断水平也需要不断提高,以保证电路的可靠运行。目前,基于支持向量机算法的模拟电路故障诊断技术是一个研究热点,不仅具有重要的学术理论价值,而且具有实际应用意义。本文以辽宁省自然科学基金项目“基于支持向量机电气电子系统故障诊断及预测新方法研究”为背景,研究并实现了基于改进支持向量机的模拟电路故障诊断方法。本文应用PSpice获取待诊断电路在各种状态下的时域响应及频域响应等信息,对待诊断电路在正常及故障状态下的电压向量进行特征提取。在系统学习了统计学习理论、支持向量机算法、常用核函数性能、参数优化方法的基础上,针对现有支持向量机多类分类算法的优缺点,结合模拟电路故障诊断对分类精度的特定要求,给出了适合模拟电路故障诊断的新算法—基于改进的支持向量机算法。该方法融合了修剪大规模样本集的学习策略、二叉树支持向量机分类算法改进和增量学习算法。采用一种新的类距离生成支持向量机二叉树,当有新的增量样本出现时,引入增量学习的算法。开发了基于改进支持向量机算法的模拟电路故障诊断实验平台,做了大量的模拟电路故障诊断实验,包括应用不同支持向量机算法的四个模拟电路的故障诊断和两个复杂工业过程的故障诊断。将本文改进的支持向量机算法同其他支持向量机算法进行了比较,分析了采用不同核函数时本文算法的故障诊断效果。通过对不同的模拟电路仿真研究,证明了与传统的支持向量相比,本文的改进支持向量机算法的分类精度高,诊断速度快。